推荐星级：

医学图像分析深度学习方法研究与挑战

更新时间：2019-12-25 13:34:30 大小：862K 上传用户：守着阳光1985 查看TA发布的资源 标签：医学图像分析深度学习 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

深度学习(Deep learning,DL),特别是深度卷积神经网络(Convolutional neural networks,CNNs),能够从医学图像大数据中自动学习提取隐含的疾病诊断特征,近几年已迅速成为医学图像分析研究热点.本文首先简述医学图像分析特点;其次,论述深度学习基本原理,总结深度CNNs在医学图像分析中的分类、分割框架;然后,分别论述深度学习在医学图像分类、检测、分割等各应用领域的国内外研究现状;最后,探讨归纳医学图像分析深度学习方法挑战及其主要应对策略和开放的研究方向.

部分文件列表

文件名	大小
医学图像分析深度学习方法研究与挑战.pdf	862K

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

第 44 卷第 3 期

2018 年 3 月

自

动

化

学

报

Vol. 44, No. 3

March, 2018

ACTA AUTOMATICA SINICA

医学图像分析深度学习方法研究与挑战

鞠忠建 ³

田娟秀 ¹

刘国才 ¹

谷珊珊 ³

刘劲光 ¹

顾冬冬 ¹

摘

要

深度学习 (Deep learning, DL), 特别是深度卷积神经网络 (Convolutional neural networks, CNNs), 能够从医学图

像大数据中自动学习提取隐含的疾病诊断特征, 近几年已迅速成为医学图像分析研究热点. 本文首先简述医学图像分析特点;

其次, 论述深度学习基本原理, 总结深度 CNNs 在医学图像分析中的分类、分割框架; 然后, 分别论述深度学习在医学图像分

类、检测、分割等各应用领域的国内外研究现状; 最后, 探讨归纳医学图像分析深度学习方法挑战及其主要应对策略和开放的

研究方向.

关键词深度学习, 医学图像分析, 卷积神经网络, 图像分类, 图像分割

引用格式田娟秀, 刘国才, 谷珊珊, 鞠忠建, 刘劲光, 顾冬冬. 医学图像分析深度学习方法研究与挑战. 自动化学报, 2018,

44(3): 401−424

DOI 10.16383/j.aas.2018.c170153

Deep Learning in Medical Image Analysis and Its Challenges

TIAN Juan-Xiu¹

LIU Guo-Cai¹GU Shan-Shan³JU Zhong-Jian³LIU Jin-Guang¹

GU Dong-Dong¹

Abstract Deep learning (DL) algorithms, such as convolutional neural networks (CNNs), can automatically extract

hidden disease diagnosis features from medical image data, and are being used to analyze medical images now. We

review most of the deep learning methods for medical image analysis. Firstly, we introduce the characteristics of medical

image analysis brieﬂy. Then, we analyze the principles of deep learning, highlight the popular CNNs and summarize

the frameworks of image classiﬁcation and segmentation. Thirdly, we describe the state-of-the-art of the medical image

analysis methods based on deep learning. Finally, we discuss the challenges and practicable strategies in deep learning for

medical image analysis, as well as open research.

Key words Deep learning (DL), medical image analysis, convolutional neural networks (CNNs), image classiﬁcation,

image segmentation

Citation Tian Juan-Xiu, Liu Guo-Cai, Gu Shan-Shan, Ju Zhong-Jian, Liu Jin-Guang, Gu Dong-Dong. Deep learning

in medical image analysis and its challenges. Acta Automatica Sinica, 2018, 44(3): 401−424

生物医学影像已成为疾病诊断和治疗中不可或

缺的组成部分且日益重要核磁共振成像

、正电子发射断层扫

图像大数据为临床医学中各种重大疾病的筛查、诊

断、治疗计划、治疗图像引导、疗效评估和随访提供

科学方法和先进技术是当前医学图像分析领域急

需解决的重大科学问题和前沿医学影像关键技术^[1]

医学图像分析最初主要采用边缘检测、纹理特

征、形态学滤波以及构建形状模型和模板匹配等方

法这类分析方法通常针对特定任务而设计被称为

手工定制式设计方法机器学习以数据驱动方式分

析任务能自动地从特定问题的大规模数据集中学

习相关模型特征和数据特性与针对特定问题而显

式地手工设计模型不同机器学习方法可直接从数

据样本中隐式地自动学习医学图像特征其学习过

程本质上是一个优化问题的求解过程通过学习模

型从训练数据中选择正确的特征使分类器在测试

新数据时做出正确决策因此机器学习在医学图像

分析中起着至关重要的作用已经成为最有前途的

研究领域^[2]

描

、计算机

、锥形束

断层扫描

、

超声成像等医学影像技术目前已广泛应用

于临床检查、诊断、治疗与决策如何充分利用人

工智能深度学习方法分析处理这些超大规模的医学

收稿日期 2017-03-21 录用日期 2017-10-30

Manuscript received March 21, 2017; accepted October 30, 2017

国家自然科学基金 (61671204, 61271382, 61301254, 61471166), 湖

南省科技计划重点研发专项基金 (2016WK2001) 资助

Supported by National Natural Science Foundation of China

(61671204, 61271382, 61301254, 61471166), Key Research and

Development Program of Hunan Province (2016WK2001)

本文责任编委桑农

Recommended by Associate Editor SANG Nong

1. 湖南大学电气与信息工程学院长沙 410082

2. 湖南工程学院

计算机与通信学院湘潭 411104

100853

3. 北京解放军总医院放疗科北京

1. College of Electrical and Information Engineering, Hu-

nan University, Changsha 410082 2. College of Computer

and Communication, Hunan Institute of Engineering, Xiangtan

411104 3. Departments of Radiation Oncology, Chinese PLA

General Hospital, Beijing 100853

深度学习

习方法源于人工神经网络的研究其动机在于建

立模拟人脑分析理解数据的神经网络年霍

是一种机器学

402

自

动

化

学

报

44 卷

普金斯大学

等通过观察猫的脑部视觉中枢对

上公布了自己的研究成果通过深度神经网络与强

化学习等方法的结合计算机能够通过自学成为游

戏高手在一系列复杂任务中的性能表现与人类相

视网膜感知图像的处理方式发现视神经元对信息

处理的方式是分工分层的不同神经元关注的对象

特征不同每一层神经元抽象出对象的部分特征进

行处理所有信息经过逐层激发在中枢最高层激发

出整个对象认知这一发现给从事神经网络研究的

当^[16]

程序以 ∶ 击败韩国围棋冠军李世石成为近年来

人工智能领域新的里程碑

在中国以 ∶ 击败世界围棋冠军柯洁再次证明

了其强大的学习、分析、决策能力

队自年起关注医疗领域试图将人工智能技

术应用于医疗行业开发了名为

年

月

开发的

年

月

计算机专家提供了重要的建模思路^[3]

世纪

年代神经网络技术进一步发展通过在只有输入层

和输出层的网络结构中添加中间隐层使神经网络

可以解决更加复杂的分类问题^[4]但层数的增加为

各层的神经节点之间的连接权重选取带来困难反

团

的软件帮助临床医生更快地查看医疗结

果只需几秒钟时间就能查看急性肾脏损伤风险病

人的验血结果优化病人的治疗方案^[17]

向传播算法

程度上解决了权重选取问题^[5]

的出现在一定

等在

年将

用以识别手写的邮政编码^[6]随着层次的加深多

层网络会出现梯度消失问题导致算法无法有

效调整神经元连接之间的权重学习时间过长

时由于计算能力这一根本性限制神经网络研究一

直未能在应用领域取得实质性突破直到

算法应用到前馈多层神经网络学习过程

近年来深度学习不断取得重大进展主要得益

于不断提高的计算能力和持续增长的可用数据量

以及深度学习模型及其算法的不断改进其实质是

通过构建多隐层的机器学习模型利用海量的样本

数据训练学习更精准的特征最终提高分类或预测

的准确性^[18]深度学习这种从数据中学习层次特征

的特点使得它非常适合发现高维数据中的复杂结

同

年

前后

团队在深度前馈网络中采取无标注的

数据集进行网络预训练解决了

算法梯度消失

构^[19]已经应用到语音识别^[13]、自然语言处理^[20]

人脸识别^{[15 21]}、目标检测^[22]等领域和各种挑战赛

中^[23−25]取得了破纪录的好成绩有关深度学习

的更详细发展历程和非医学图像分析领域的应用进

、

问题他们先采用非监督贪心逐层训练方法有效

降低了观察对象的维度然后用监督训练微调所有

网络参数这一算法为解决深层结构相关优化难题

带来了希望在图像目标识别等分类预测方面取得

展读者可参阅

述^[19]

年由

撰写的综述^[26]

等联名撰写的综

了突破性进展^[7−8]

等提出的卷积神经网络

利用空间

、

等

撰写的专著^[27]以及最近发表的中文综述^[28−30]

相对关系减少参数数目以提高训练性能是第一个

真正多层结构学习算法^[9]

深度学习在计算机视觉领域的巨大成功激发

了国内外许多学者将其应用于医疗图像分析哈佛

等提出的长短时

记忆神经网络

大学医学院

教授在其综述中指出应用深度学

也在图像手写字识别和语音识别方面取得了突破性

进展^[10−12]

习解决医学图像分析任务是本领域的发展趋势^[31]

年来已有多位专家对深度学习在医学图像

分析中的研究现状及问题进行了总结、评述和讨

自

年以来深度学习在多个领域取得了

重要突破在语音识别方面微软研究人员通过与

等合作首先将受限玻尔兹曼机

论^[32−36]最近

上发表的

综述对深度学习在医学图像分类、检测和分割、配准

和检索等方面的研究进行了较全面的归纳总结^[37]

和深度信念网络

引入到语音识别模型训练中

本文根据我们课题组近年来收集、整理的文

献资料和国家自然科学基金项目研究工作聚焦于

综述深度学习在医学图像分析应用领域的研究现

状和挑战首先简述医学图像分析特点其次论

述深度学习方法自动提取多层次特征的基本原理

然后重点论述计算机视觉和医学图像分析中深度

分类、分割框架系统梳理深度学习在医学图

像分析各个应用领域的国内外研究现状最后总结

深度学习方法应用于医学图像分析时面临的挑战与

应对策略而且对开放的医学图像分析深度学习研

究方向进行展望

在大词汇量语音识别系统中获得了巨大成功使语

音识别错误率相对之前降低

年

月

微软展示了一个全自动的同声传译系统其支撑的

关键技术就是深度学习^[13]在图像分类方面微软

亚洲研究院

等^[14]提出了残差学习框架其最重

要的突破在于重构了学习过程重定向了深层神经

网络信息流从而很好地解决了此前深层神经网络

层数与准确度之间的矛盾在人脸识别领域香港

中文大学

测试基准

率^[15]

及其研究团队研发的

在使用

的人脸识别

团队在《》杂志

数据库上获得

年

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

医学图像分析深度学习方法研究与挑战

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页