黃江珊 王秀紅

（江蘇大學(xué)科技信息研究所 鎮(zhèn)江 212013）

1 引言

人工智能的發(fā)展，最早可以追溯到公元前的聯(lián)想主義心理學(xué)理論，到近現(xiàn)代，該理論被多位哲學(xué)家或心理學(xué)家補(bǔ)充完善，并最終引出了Hebbian學(xué)習(xí)規(guī)則，成為神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。深度學(xué)習(xí)是當(dāng)今最廣泛使用的模式識別方法，其特點(diǎn)就在于“整個程序都是可訓(xùn)練的”。卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)、堆疊自動編碼器等都是深度學(xué)習(xí)框架的一種，它們構(gòu)成了深度學(xué)習(xí)的三大基礎(chǔ)結(jié)構(gòu)網(wǎng)絡(luò)。與此同時，隨著醫(yī)學(xué)影像設(shè)備的完善，CT（電子計算機(jī)斷層掃描）、MRI（核磁共振成像）、X光片、B超、彩超等醫(yī)學(xué)圖像大量產(chǎn)生，形成豐富的醫(yī)學(xué)圖像資源。但目前大量的醫(yī)學(xué)檢驗結(jié)果、醫(yī)學(xué)圖像等內(nèi)容都只是簡單的儲存起來，不能被直接提取、統(tǒng)計和分析，很多患者數(shù)據(jù)特別是醫(yī)學(xué)圖像數(shù)據(jù)沒有被有效利用，造成嚴(yán)重的資源浪費(fèi)，臨床工作者也很難從以往珍貴的患者圖像數(shù)據(jù)中發(fā)現(xiàn)疾病的發(fā)展趨勢和其中隱含的規(guī)律。所以，將深度學(xué)習(xí)模型應(yīng)用到醫(yī)學(xué)圖像分析中來，基本流程如圖1，挖掘其內(nèi)含的有價值的醫(yī)學(xué)信息，有著巨大的應(yīng)用價值和應(yīng)用前景[1]。

圖1 基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分析一般流程

2 在醫(yī)學(xué)圖像領(lǐng)域主要應(yīng)用到的深度學(xué)習(xí)算法

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)屬于前饋神經(jīng)網(wǎng)絡(luò)，是將輸入的影像像素矩陣經(jīng)過一層過濾器，挑選出特征，再透過池化層，針對輸入特征矩陣壓縮，讓特征矩陣變小，降低計算的復(fù)雜度。

卷積神經(jīng)網(wǎng)絡(luò)由一個或幾個卷積層和頂端的全連通層（對應(yīng)經(jīng)典的神經(jīng)網(wǎng)絡(luò)）、關(guān)聯(lián)權(quán)重和池化層構(gòu)成。與其他深度學(xué)習(xí)結(jié)構(gòu)相比，卷積神經(jīng)網(wǎng)絡(luò)在圖像和語音識別方面能夠給出更優(yōu)的結(jié)果。

2.2 堆疊自動編碼器

自動編碼器（Auto-encoder，AE）是一種單隱含層的無監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，堆疊自動編碼器是由簡單結(jié)構(gòu)疊加起來的深層網(wǎng)絡(luò)，自動編碼器的訓(xùn)練過程使用逐層預(yù)訓(xùn)練算法，即通過重構(gòu)誤差來進(jìn)行訓(xùn)練。堆疊自動編碼器由Bengio學(xué)者提出，其基本元件是自動編碼器，它包含輸入層、隱藏層和輸出層，三層之間逐級連接。自動編碼器模型將訓(xùn)練目標(biāo)設(shè)為擬合輸入數(shù)據(jù)，即設(shè)定網(wǎng)絡(luò)輸出等于輸入，隨后使用反向傳播算法訓(xùn)練。雖然自動編碼器模型的訓(xùn)練過程基于有監(jiān)督學(xué)習(xí)算法，但并不要求原始數(shù)據(jù)有分類標(biāo)簽，因此整個訓(xùn)練過程仍是一個無監(jiān)督學(xué)習(xí)過程。

堆疊自動編碼器的構(gòu)建過程是訓(xùn)練得到第一個自動編碼器后，將其隱藏層作為輸入，用同樣的方法可訓(xùn)練第二個自動編碼器，依次類推可訓(xùn)練得到多個自動編碼器。依次將多個自動編碼器堆疊在一起，便構(gòu)成堆疊自動編碼器模型，此時堆疊自動編碼器的最后一層是輸入數(shù)據(jù)經(jīng)過多次變換處理后得到的抽象特征。最后再根據(jù)問題不同設(shè)定，連接不同的輸出層，通過有監(jiān)督學(xué)習(xí)算法訓(xùn)練輸出層的權(quán)值，從而得到最終分類結(jié)果。

2.3 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)是由多個受限制玻爾茲曼機(jī)（RBM）疊加而成的深度網(wǎng)絡(luò)。它通過無監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)來訓(xùn)練整個深度信念網(wǎng)絡(luò)。預(yù)訓(xùn)練時用無標(biāo)簽數(shù)據(jù)單獨(dú)訓(xùn)練每一層受限制玻爾茲曼機(jī)，通過自下而上的方式，將下層受限制玻爾茲曼機(jī)輸出作為上層受限制玻爾茲曼機(jī)輸入。當(dāng)預(yù)訓(xùn)練完成后，網(wǎng)絡(luò)會獲得一個較好的網(wǎng)絡(luò)初始值，但這不是最優(yōu)的。再采用有標(biāo)簽數(shù)據(jù)去訓(xùn)練網(wǎng)絡(luò)，誤差自頂而下傳播，一般采用梯度下降法對網(wǎng)絡(luò)進(jìn)行微調(diào)。深度信念網(wǎng)絡(luò)的出現(xiàn)是深度學(xué)習(xí)的轉(zhuǎn)折點(diǎn)，目前深度信念網(wǎng)絡(luò)已應(yīng)用于語音、圖像處理等方面，尤其是在大數(shù)據(jù)方面。

2.4 三種深度學(xué)習(xí)模型的發(fā)展歷程

本文將卷積神經(jīng)網(wǎng)絡(luò)、堆疊自動編碼器、深度信念網(wǎng)絡(luò)三種深度學(xué)習(xí)模型映射在一個二維空間里，縱軸按照時間順序探索三種模型的發(fā)展歷程，具體如圖2所示。

早在1980年，F(xiàn)ukushima[2]就已經(jīng)開始研究卷積神經(jīng)網(wǎng)絡(luò)，首次提出了基于感受野的理論模型Neocognitron。到1995年，以Lo為代表的學(xué)者們把卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到醫(yī)學(xué)圖像分析中。而第一次將其成功應(yīng)用到現(xiàn)實生活中是LeNet程序的面世，其主要用于手寫數(shù)字識別方面[3]。盡管前期在醫(yī)學(xué)圖像領(lǐng)域取得了不小的成就，但在多樣的新技術(shù)產(chǎn)生與核心計算機(jī)系統(tǒng)的發(fā)展取得顯著突破前，卷積神經(jīng)網(wǎng)絡(luò)的使用仍沒有遇到發(fā)展的契機(jī)。關(guān)鍵性的轉(zhuǎn)折點(diǎn)是AlexNet在圖像網(wǎng)帶來的挑戰(zhàn)中以絕對性優(yōu)勢戰(zhàn)勝了諸多競爭者[4]。隨后，卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像領(lǐng)域內(nèi)的研究一直在進(jìn)行，3D-CNN模型通過隨機(jī)對角Levenberg-Marquardt法來優(yōu)化訓(xùn)練運(yùn)用到視頻分析[5]，相關(guān)深度模型的使用取得了巨大的進(jìn)步[6]，與此同時，開發(fā)了金字塔卷積神經(jīng)網(wǎng)絡(luò)（PCNN）對圖像進(jìn)行處理[7]。隨后，Simonyan[8]等學(xué)者基于AlexNet，著手研究卷積神經(jīng)網(wǎng)絡(luò)的深度，開發(fā)了VGG網(wǎng)絡(luò)。到基于計算機(jī)視角ResNet網(wǎng)絡(luò)結(jié)構(gòu)[9]出現(xiàn)的時候，卷積神經(jīng)網(wǎng)絡(luò)已成為高級上等的技術(shù)。

2006年，Hinton在Science雜志提出了深度信念網(wǎng)絡(luò)的概念，成功地利用貪心策略逐層訓(xùn)練由限制玻爾茲曼機(jī)組成的深層架構(gòu)；PCD學(xué)習(xí)算法的提出促進(jìn)了深度信念網(wǎng)絡(luò)的發(fā)展[10]；卷積深度信念網(wǎng)絡(luò)（CDBN)[11]是一個分級生成模型，可以擴(kuò)展到現(xiàn)實的圖像大小，可以對全尺寸圖像執(zhí)行分層（自下而上和自頂向下）推理；稀疏深度信念網(wǎng)（SDBN)開發(fā)后主要用于圖像處理[12]；隨后，增強(qiáng)深層信念網(wǎng)絡(luò)（BDBN）出現(xiàn)[13]，用在統(tǒng)一的循環(huán)框架中迭代地執(zhí)行三個訓(xùn)練階段。通過提出的BDBN框架，可以學(xué)習(xí)和選擇一組有效表征相關(guān)面部外觀/形狀變化的特征，以統(tǒng)計方式形成強(qiáng)大的強(qiáng)分類器。

自動編碼器模型發(fā)展至今，不斷豐富和完善，從1986年Rumelhart提出的自動編碼器，到后來的堆棧自編碼器、稀疏自動編碼器、降噪自動編碼器、收縮自動編碼器、卷積自動編碼器、拉普拉斯自動編碼器等等，一直都處在發(fā)展改善中。

圖2 三種深度學(xué)習(xí)模型的發(fā)展歷程

3 深度學(xué)習(xí)算法在醫(yī)學(xué)圖像分析領(lǐng)域的應(yīng)用現(xiàn)狀

通過大量的文獻(xiàn)調(diào)研，我們對深度學(xué)習(xí)模型在醫(yī)學(xué)圖像分析領(lǐng)域的諸多應(yīng)用進(jìn)行整理，并在此基礎(chǔ)上突出一些關(guān)鍵的應(yīng)用領(lǐng)域，進(jìn)而討論深度學(xué)習(xí)基本模型存在的問題。

3.1 卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用現(xiàn)狀

卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像領(lǐng)域擁有大量的研究成果，是應(yīng)用范圍最廣的一種模型，國內(nèi)外專家團(tuán)隊運(yùn)用該模型在人體的各個部位均有研究。本文主要針對卷積神經(jīng)網(wǎng)絡(luò)模型在腦、眼、胸三個人體部位醫(yī)學(xué)圖像的應(yīng)用進(jìn)行整理、概括。

將卷積神經(jīng)網(wǎng)絡(luò)模型運(yùn)用在醫(yī)學(xué)圖像識別中，可追溯到1995年，將雙重匹配方法和人工視覺神經(jīng)網(wǎng)絡(luò)技術(shù)融合，用于肺結(jié)節(jié)檢測。該神經(jīng)網(wǎng)絡(luò)技術(shù)通常適用于灰度成像中醫(yī)學(xué)圖像的識別，通過在DEC Alpha工作室的測試顯示了人工視覺神經(jīng)網(wǎng)絡(luò)技術(shù)在臨床環(huán)境中的潛在應(yīng)用[14]。此后，卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像中的應(yīng)用慢慢開展起來。

在運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分割方面，香港中文大學(xué)的Hao Chen、Qi Dou等人進(jìn)行了一系列的研究，先是提出VoxResNet殘差網(wǎng)絡(luò)，探討了體積腦分割任務(wù)中的深度殘差學(xué)習(xí)，并將其擴(kuò)展到用于處理體數(shù)據(jù)的3D變體。此外，還提出了VoxResNet的自動上下文版本，以進(jìn)一步提升低級外觀信息，隱式形狀信息和高級語境集成的性能。該團(tuán)隊的這項工作揭開了3D深度學(xué)習(xí)的潛力，從而提高了體積圖像分割的識別性能[15]。接著，他們提出了一個基于3D 卷積神經(jīng)網(wǎng)絡(luò)的框架，用于異常計算機(jī)斷層掃描CT體積的肝臟自動分割。通過3D深度監(jiān)督網(wǎng)絡(luò)（3D DSN）來生成高質(zhì)量分?jǐn)?shù)圖，并利用條件隨機(jī)場模型進(jìn)一步進(jìn)行輪廓細(xì)化，此方法能夠讓肝臟分割更加準(zhǔn)確[16]。隨后，他們利用3D卷積神經(jīng)網(wǎng)絡(luò)自動檢測來自磁共振圖像中的腦微血管，提出了一種從SWI圖像自動檢測腦微血管的高效穩(wěn)健的兩階段框架，以此提高3D CNN對體積醫(yī)學(xué)數(shù)據(jù)的檢測與分割能力[17]。隨后，該團(tuán)隊提出了一種利用三維卷積神經(jīng)網(wǎng)絡(luò)在體積計算機(jī)斷層掃描中自動檢測肺結(jié)節(jié)假陽性減少的新方法，并進(jìn)一步提出了一種簡單而有效的策略來編碼多層面的語境信息，以應(yīng)對隨著肺結(jié)節(jié)的巨大變化而難以模擬的挑戰(zhàn)[18]。

除了在圖像識別、圖像分割上的應(yīng)用，基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類已有研究。荷蘭奈梅亨市Radboud大學(xué)醫(yī)學(xué)中心診斷圖像分析小組提出了一個基于多流多尺度卷積網(wǎng)絡(luò)的深度學(xué)習(xí)系統(tǒng)，可以自動分類與處理相關(guān)的所有結(jié)節(jié)類型，并通過分析給定結(jié)節(jié)的任意數(shù)量的2D視圖來學(xué)習(xí)3D數(shù)據(jù)的表示[19]。該深度學(xué)習(xí)系統(tǒng)在分類結(jié)節(jié)類型方面超越了經(jīng)典機(jī)器學(xué)習(xí)方法的性能，證明了深度學(xué)習(xí)模型的可用性與精確性。

在臨床圖像數(shù)據(jù)集訓(xùn)練方面，Mark Cicero等學(xué)者將2005至2015年間的35 038例患者的胸部X光片輸入GoogleNet，采用卷積神經(jīng)網(wǎng)絡(luò)模型對3個圖形單元進(jìn)行訓(xùn)練，并對2 443張X光片的測試集進(jìn)行網(wǎng)絡(luò)性能評估，CNN識別靈敏度高達(dá)93.6%，進(jìn)一步證明目前深入的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)可以用適度大小的醫(yī)療數(shù)據(jù)集進(jìn)行培訓(xùn)，以在胸部X光片檢測和排除常見病理學(xué)中達(dá)到臨床可用性[20]。該實驗在以往研究的基礎(chǔ)上，證實了深度學(xué)習(xí)運(yùn)用到醫(yī)學(xué)圖像分析的高靈敏度和臨床可用性。

國內(nèi)對卷積神經(jīng)網(wǎng)絡(luò)模型在醫(yī)學(xué)圖像分析領(lǐng)域的應(yīng)用還處在初步的理論探索階段，試圖用實驗的方法驗證深度學(xué)習(xí)模型用于單一疾病圖像分割的準(zhǔn)確性，李雯基于CNN對肝臟腫瘤自動分割，將手工提取特征與自動學(xué)習(xí)特征的腫瘤分割統(tǒng)計結(jié)果進(jìn)行對比，得出運(yùn)用CNN自動學(xué)習(xí)的特征用于腫瘤分割效果更好、準(zhǔn)確性更高[21]；將深度學(xué)習(xí)模型與傳統(tǒng)算法相比，能很大程度提高輔助診斷系統(tǒng)的準(zhǔn)確率、靈敏度和特異度[22]。國內(nèi)這方面的研究從2015年開始興起，但由于醫(yī)院數(shù)據(jù)不對外公開以及建立的模型識別精度較低等原因，還停留在初步的模型研究以及臨床可用性是否可行的階段。

3.2 深度信念網(wǎng)絡(luò)模型應(yīng)用現(xiàn)狀

深度信念網(wǎng)絡(luò)相較于卷積神經(jīng)網(wǎng)絡(luò)而言，國內(nèi)外應(yīng)用的領(lǐng)域相對較窄，而國內(nèi)研究起步較晚，集中在近五年，研究成果較少，主要集中于人體的腦部、胸部以及心臟部位。

關(guān)于運(yùn)用深度信念網(wǎng)絡(luò)對醫(yī)學(xué)圖像進(jìn)行訓(xùn)練，Tom Brosch等人通過使用深度信念網(wǎng)絡(luò)組成的深度生成模型來降低輸入圖像的維度，可以實現(xiàn)高達(dá)128×128×128分辨率的3D醫(yī)學(xué)圖像的訓(xùn)練，以及讓深度信念網(wǎng)絡(luò)學(xué)習(xí)低維腦體積檢測與人口統(tǒng)計學(xué)和疾病參數(shù)相關(guān)的變異模式[23]。

而在特征提取方面，Walter H L Pinaya等人訓(xùn)練了一種稱為深度信念網(wǎng)絡(luò)的深度學(xué)習(xí)模型，從腦形態(tài)測量數(shù)據(jù)中提取特征，并進(jìn)一步分析了首例精神病患者的分類表現(xiàn)，通過改進(jìn)神經(jīng)形態(tài)計量分析，得出深度學(xué)習(xí)可以提高我們對精神疾?。ㄈ缇穹至寻Y）的認(rèn)識[24]。

關(guān)于圖像特征學(xué)習(xí)，卷積分類限制波爾茲曼機(jī)器的出現(xiàn)，進(jìn)行了在CT圖像中提供肺組織分類和氣道檢測的特征學(xué)習(xí)實驗。兩種應(yīng)用表明歧視性學(xué)習(xí)可以幫助無監(jiān)督的特征學(xué)習(xí)者學(xué)習(xí)針對分類進(jìn)行優(yōu)化的過濾器[25]。

在實驗數(shù)據(jù)集測試方面，Sun Wenqing教授等人測試了使用深層學(xué)習(xí)算法進(jìn)行肺癌診斷的可行性，并與肺圖像數(shù)據(jù)庫聯(lián)盟數(shù)據(jù)庫進(jìn)行了比較，還設(shè)計了一個具有28個圖像特征和支持向量機(jī)的方案[26]。

運(yùn)用深度信念網(wǎng)絡(luò)，對醫(yī)學(xué)圖像進(jìn)行自動分割，Tuan Anh Ngo與Gustavo Carneiro 等人將深度學(xué)習(xí)和水平集合結(jié)合在一起，用于心臟左心室的心臟電磁共振數(shù)據(jù)的自動分割，產(chǎn)生一種需要較小訓(xùn)練集的方法，并產(chǎn)生了準(zhǔn)確的分割結(jié)果。試驗中使用MICCAI 2009左心室分段挑戰(zhàn)數(shù)據(jù)庫（包含15個訓(xùn)練序列，15個驗證和15個測試）的方法，在半自動化問題和最新狀態(tài)下獲得最準(zhǔn)確的結(jié)果[27]。

總體而言，深度信念網(wǎng)絡(luò)在臨床醫(yī)學(xué)圖像上一直有所應(yīng)用，但并不像卷積神經(jīng)網(wǎng)絡(luò)模型一樣成為醫(yī)學(xué)圖像分析的應(yīng)用主流，但它從語音識別、圖像處理、自然語言處理到圖像處理、語音信號處理，再到今天的圖像處理反映出深度信念網(wǎng)絡(luò)應(yīng)用重點(diǎn)的轉(zhuǎn)移。

3.3 堆疊自動編碼器模型應(yīng)用現(xiàn)狀

相較于前兩種模型而言，堆疊自動編碼器模型應(yīng)用的范圍雖然較小，但一直有學(xué)者對該模型在醫(yī)學(xué)圖像領(lǐng)域內(nèi)的應(yīng)用進(jìn)行理論研究與實驗，到目前為止主要集中于數(shù)字病理，顯微鏡，人體的腦部、心臟、腎臟、肝臟以及腹部等部位。

關(guān)于圖像特征學(xué)習(xí)，Hoo-Chang Shin、Matthew R.Orton等人的團(tuán)隊測試了深度學(xué)習(xí)方法在磁共振醫(yī)學(xué)圖像中的器官識別的應(yīng)用，采用概率貼片法進(jìn)行多器官檢測，從深度學(xué)習(xí)模型中學(xué)習(xí)了特征[28]。盡管難以獲得正確標(biāo)記的訓(xùn)練數(shù)據(jù)集和患者數(shù)據(jù)集中存在內(nèi)在異常，但這顯示了應(yīng)用于醫(yī)學(xué)圖像的深度學(xué)習(xí)模型的潛力。

運(yùn)用堆疊自動編碼器，將不同層次特征相結(jié)合，構(gòu)建魯棒模型，Heung-Il Suk與Dinggang Shen兩位學(xué)者提出的PET的平均信號強(qiáng)度和基于AD / MCI診斷的深度學(xué)習(xí)特征表征，就是一個很好的例子。他們認(rèn)為存在潛在的復(fù)雜模式，例如低級特征固有的非線性關(guān)系。將潛在信息與原始的低級特征相結(jié)合，可以高度診斷準(zhǔn)確地構(gòu)建AD / MCI分類的魯棒模型。同時他們還使用ADNI數(shù)據(jù)集進(jìn)行了實驗，證明了該方法提高了診斷精度的特征之間的非線性相關(guān)性[29]。接著，該團(tuán)隊繼續(xù)之前的研究，提出了一種基于深度學(xué)習(xí)的潛在特征表征與堆疊自動編碼器，并提出深度學(xué)習(xí)可以為神經(jīng)成像數(shù)據(jù)分析提供新的思路，提出了這種方法對腦部疾病診斷的適用性[30]。隨后，該團(tuán)隊又提出一種結(jié)合深度學(xué)習(xí)和狀態(tài)空間建模的新穎的方法論體系結(jié)構(gòu)，并將其應(yīng)用于基于rs-fMRI的輕度認(rèn)知障礙（MCI）診斷，為了驗證提出的方法的有效性，他們對兩個不同的數(shù)據(jù)集進(jìn)行了實驗，并與當(dāng)時最先進(jìn)的方法進(jìn)行了比較。此外，該團(tuán)隊還分析了DAE學(xué)習(xí)的功能網(wǎng)絡(luò)，通過解碼HMM中的隱藏狀態(tài)來估計功能連接性，并通過圖論理論研究了估計的功能連接性[31]。

關(guān)于臨床數(shù)據(jù)集評估方面，Michiel Kallenberg等人評估了三種不同臨床數(shù)據(jù)集上的方法，其結(jié)果表明，學(xué)習(xí)的乳房密度分?jǐn)?shù)與手動乳房密度分?jǐn)?shù)具有非常強(qiáng)烈的正相關(guān)關(guān)系，而且學(xué)習(xí)的紋理得分可預(yù)測乳腺癌。該模型易于應(yīng)用并推廣到許多其他分割和評分問題[32]。

從堆疊自動編碼器的應(yīng)用現(xiàn)狀來看，經(jīng)歷了去噪自動編碼器、稀疏自動編碼器、卷積自動編碼器等發(fā)展階段，通過對訓(xùn)練方式的不斷改進(jìn)，對模型結(jié)構(gòu)的不斷改良，醫(yī)學(xué)圖像識別的精度得到很大的提升，同時與其他深度學(xué)習(xí)模型相結(jié)合使用的趨勢也越來越明顯，但訓(xùn)練的時間依然較長，除了追求精度的提高，獲取大型醫(yī)學(xué)圖像數(shù)據(jù)集進(jìn)行訓(xùn)練、減少訓(xùn)練時長依然很重要。

綜上所述，從目前公開的數(shù)百篇研究論文中可以看出，深度學(xué)習(xí)已經(jīng)滲透到醫(yī)學(xué)影像分析的各個方面。這種情況發(fā)生的非常迅速，是近年來國內(nèi)外人工智能領(lǐng)域研究的一個熱潮。大量的深度學(xué)習(xí)模型及其改良模型被應(yīng)用到醫(yī)學(xué)圖像分析任務(wù)中，早期的研究集中在預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)上，并將其用于特征提取設(shè)備上。事實上，這些經(jīng)過訓(xùn)練的網(wǎng)絡(luò)可以直接下載并直接應(yīng)用到任何醫(yī)療圖像上。此外，已經(jīng)存在的基于功能的系統(tǒng)可以簡單地擴(kuò)展出更多的特性。

在過去的數(shù)年里，終端訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為醫(yī)學(xué)成像分析的首選方法，這些深度學(xué)習(xí)模型通常被整合到現(xiàn)有的管道中，取代傳統(tǒng)的方法。大多數(shù)人認(rèn)為深度學(xué)習(xí)運(yùn)用到醫(yī)學(xué)圖像上的一個主要問題是缺乏大型訓(xùn)練數(shù)據(jù)集，該問題是深度學(xué)習(xí)算法應(yīng)用于醫(yī)學(xué)圖像數(shù)據(jù)分析的一個不可忽視的挑戰(zhàn)。然而，這種觀點(diǎn)是錯誤的?，F(xiàn)如今，在西方的醫(yī)院里存放著數(shù)以百萬計的圖片，使用PACS系統(tǒng)對數(shù)據(jù)集進(jìn)行訓(xùn)練已經(jīng)是慣例。此外，越來越多的公共數(shù)據(jù)集也變得可用。在不久的將來，在相對標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中可以看到大量的數(shù)據(jù)集，運(yùn)用深度學(xué)習(xí)模型對其訓(xùn)練能取得優(yōu)異的結(jié)果。

與此同時，在獲取用于醫(yī)學(xué)圖像分析的訓(xùn)練數(shù)據(jù)方面還發(fā)現(xiàn)了另外兩個挑戰(zhàn)。一個是獲得醫(yī)療檔案。這些檔案大多位于醫(yī)院封閉的專有數(shù)據(jù)庫中，隱私法規(guī)可能會阻礙數(shù)據(jù)的公開和獲取。另一個挑戰(zhàn)是以系統(tǒng)的方式獲取注釋，比如WordNet圖像數(shù)據(jù)可用于ImageNet層次結(jié)構(gòu)。

4 總結(jié)與展望

本文詳細(xì)描述了三種典型的深度學(xué)習(xí)模型的構(gòu)造原理，并且以時間為軸梳理深度學(xué)習(xí)三種主要模型的發(fā)展歷程，然后，對歷年來深度學(xué)習(xí)在醫(yī)學(xué)圖像領(lǐng)域應(yīng)用的情況進(jìn)行了整理概括。近年來，隨著人工智能研究熱潮的到來，運(yùn)用不斷深化成熟的深度學(xué)習(xí)模型對醫(yī)學(xué)圖像進(jìn)行分割、特征提取以及分類已成為常態(tài)，醫(yī)學(xué)圖像信息的挖掘與開發(fā)不再拘泥于之前簡單的單一算法，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)或結(jié)合堆疊自動編碼器對大量醫(yī)學(xué)圖像數(shù)據(jù)集進(jìn)行訓(xùn)練后，可實現(xiàn)對單一病理切片90%以上的識別精度。雖然深度學(xué)習(xí)模型在臨床上的應(yīng)用已經(jīng)初步實現(xiàn)，大量訓(xùn)練好的數(shù)據(jù)集經(jīng)過測試，證明了深度學(xué)習(xí)模型與之前的決策樹等算法相比，識別的精度更高、效果更優(yōu)，靈敏度更高，但由于在臨床實際應(yīng)用中，多種交叉性病癥的區(qū)分難度很大，腫瘤等單一疾病的大小形狀也復(fù)雜多變，因人而異，影像表現(xiàn)差異大，使得圖像分割與識別仍存在較大困難。除此之外，深度學(xué)習(xí)模型本身也存在著一些問題。

4.1 深度學(xué)習(xí)模型存在的問題

（1）模型結(jié)構(gòu)單一。自Hinton提出深度學(xué)習(xí)概念以來，涌現(xiàn)出大量改良且具有一定創(chuàng)新性的深度學(xué)習(xí)模型，但大部分的模型仍停留在由簡單模型疊加而成的深度網(wǎng)絡(luò)上，提出新穎而更行之有效的深度學(xué)習(xí)模型是我們更加關(guān)注的。

（2）訓(xùn)練方式仍需改進(jìn)。目前，大部分模型采用的是無監(jiān)督學(xué)習(xí)方式，離真正意義上的無監(jiān)督學(xué)習(xí)還存在一定距離。

（3）訓(xùn)練時間過長。目前需要深度學(xué)習(xí)模型解決的問題日益復(fù)雜，需要模型參數(shù)增加，訓(xùn)練時間增長，所以改良算法，提高訓(xùn)練速度，減少訓(xùn)練時間是十分必要的[33]。

（4）對無標(biāo)記數(shù)據(jù)添加標(biāo)簽。無標(biāo)記數(shù)據(jù)的迅速增加需要更新的自動添加標(biāo)簽技術(shù)，依賴人工逐一將其打上標(biāo)簽已經(jīng)不能適應(yīng)現(xiàn)代信息社會的發(fā)展[34]。

（5）克服對抗樣本。在實際工作中，實際樣本的輕微改動都有可能會讓分類器將它們劃分到錯誤的類別中，但目前一些常見的正則化方法并不能很好的解決這一問題[33]。

4.2 深度學(xué)習(xí)前景展望

（1）范圍更廣泛的跨組織合作。盡管國內(nèi)外圍繞深度學(xué)習(xí)用于醫(yī)學(xué)圖像分析的研究團(tuán)隊和研究機(jī)構(gòu)眾多，但是，都是基于自身可獲得的患者醫(yī)學(xué)圖像數(shù)據(jù)集開展工作的，計算機(jī)領(lǐng)域的專家學(xué)者設(shè)計的模型需要大量可獲得的訓(xùn)練集進(jìn)行測試，但這些患者數(shù)據(jù)本身有特殊性，較難獲取。所以，醫(yī)院數(shù)據(jù)提供者、供應(yīng)商和機(jī)器學(xué)習(xí)專家之間的合作至關(guān)重要，這種協(xié)作將解決機(jī)器學(xué)習(xí)研究人員無法獲得的數(shù)據(jù)問題。

（2）需要利用大的圖像數(shù)據(jù)。深度學(xué)習(xí)自學(xué)習(xí)過程依賴于非常大的數(shù)據(jù)集，然而，與其他成像領(lǐng)域相比，對醫(yī)學(xué)圖像數(shù)據(jù)進(jìn)行注釋，將其標(biāo)簽化是不容易的。在現(xiàn)實世界中，可以輕易地將現(xiàn)實世界中的男人和女人進(jìn)行分辨與劃分，然而,將醫(yī)學(xué)數(shù)據(jù)打上標(biāo)簽，對其概念化是昂貴、繁瑣和費(fèi)時的，因此將共享數(shù)據(jù)資源提供給不同的醫(yī)療服務(wù)者是十分有必要的。

（3）深度學(xué)習(xí)方法的進(jìn)步。大多數(shù)深度學(xué)習(xí)方法都是在監(jiān)督的基礎(chǔ)上進(jìn)行的，但是由此需要的標(biāo)簽好的醫(yī)學(xué)數(shù)據(jù)尤其是圖像數(shù)據(jù)并不總是能輕易獲得。例如，在罕見疾病或有資歷的專家不在場的情況下，為了克服未標(biāo)簽過的大數(shù)據(jù)不可用的問題，需要深度學(xué)習(xí)模型從監(jiān)督轉(zhuǎn)向無人監(jiān)督或半監(jiān)督，又不影響醫(yī)療系統(tǒng)的精確性，這是非常困難的。盡管目前眾多研究在克服這一阻礙，但還沒有提供完整的解決方案，這仍是要努力攻克的一大難題。

深度學(xué)習(xí)運(yùn)用到醫(yī)學(xué)圖像分析領(lǐng)域在疾病的高精度智能識別、分析及診斷方面具有極大地現(xiàn)實意義和社會價值，已成為近年來的研究熱點(diǎn)，而計算機(jī)輔助診斷研究是結(jié)合臨床醫(yī)學(xué)、圖像學(xué)和計算機(jī)科學(xué)的一門新興學(xué)科，當(dāng)前針對醫(yī)學(xué)圖像分析和智能診斷的研究正在起步，存在著眾多值得挖掘的內(nèi)容。圍繞醫(yī)學(xué)影像數(shù)據(jù)管理，借助深度學(xué)習(xí)模型和PACS（影像歸檔和通信系統(tǒng)）對醫(yī)學(xué)影像進(jìn)行自動描述和標(biāo)注，構(gòu)建醫(yī)學(xué)影像智能數(shù)據(jù)庫，實現(xiàn)當(dāng)未標(biāo)注的醫(yī)學(xué)影像輸入醫(yī)療輔助診斷系統(tǒng)后，可自動生成文字形式的病情描述和診斷結(jié)果?？蓞f(xié)助醫(yī)生診斷，削減其讀片的時間，提高其判定的準(zhǔn)確率和工作效率，降低臨床漏檢率。