基于深度學習的醫學圖像研究綜述

吳揚

摘要：近年來，隨著醫學影像數據規模不斷擴大，醫學圖像進入大數據時代。在海量數據驅動下，人工智能理論及應用逐漸走向成熟，促使深度學習算法成為研究熱點。在醫學領域中，傳統的人工閱片診斷方式已無法滿足迅速增長醫學影像的診斷需求，因此，基于深度學習的自動化醫學影像分析備受關注。文章主要對深度學習算法在醫學圖像分割、分類識別、計算機輔助診斷方面的研究進展予以綜述。

關鍵詞：深度學習;醫學圖像分割;醫學圖像分類識別;計算機輔助診斷

中圖分類號：TP183文獻標志碼：A

文章編號：1009-3044（2020）19-0174-03

開放科學（資源服務）標識碼（OSID）：

1 引言

醫學圖像在臨床疾病預測、分類和治療中扮演著極其重要角色。隨著“工業4.0”的推進和實施，互聯網技術不斷革新，深度學習理論逐漸成熟，廣泛應用于數據分析計算機視覺等領域。深度學習技術在自然圖像分析中取得巨大突破致使其應用醫學圖像處理領域成為可能，近年來已有很多的學者在醫學圖像分析中使用深度學習方法，減少了假陽性診斷、降低了誤診，極大提高了診斷的正確性和效率。現在DL在醫學圖像分割、分類識別以及計算機輔助診斷方面發揮著極其重要的作用。本文簡要介紹深度學習算法，重點闡述其在醫學圖像分析中的研究進展，最后總結和展望。

2 深度學習綜述

深度學習是機器學習領域的一個研究方向，它是一種表示學習算法，由復雜的多個非線性轉換結構組成，包括多個中間處理層，可自動對數據執行高級抽象。通常，深度神經網絡是前饋網絡，具有一層或多層隱藏層，類似于淺層神經，可以為極其復雜的非線性問題提供建模。然而較淺層網絡多出的層次可以對模型進行更高層次的抽象，從而提高模型的能力。深度學習模型種類繁多，如深度置信網絡，網絡中每層都是典型的受限玻爾茲曼機，均可以進行無監督逐層訓練;卷積神經網絡極大減少了需要優化的參數數量，可接受二維或三維圖像塊輸入，適用于抓取視覺的局部信息;循環神經網絡是一類序列數據輸入，信息流單向傳遞，具備反饋連接及記憶性神經網絡，適用于提取序列非線性數據的時序特征。

當今醫學領域中，醫學圖像的診斷方式仍然是人工閱片，人工閱片依賴醫生的臨床經驗、工作量十分巨大、主觀因素對診斷結果影響較大，易產生誤診等情況。這些問題表明對尋求更高效的醫學圖像分析方法勢在必行。DL從特定的大量樣本數據中學習知識（數據中的內在規律和表示關系等），然后將學習所得的知識再作用于現實場景中解決實際問題，可以減少主觀因素的干擾;DL能夠學習到數據多個抽象層次的特征，可以構造更加復雜的模型;DL已在語音處理、圖像處理、機器翻譯、自然語言處理等領域展示出了卓越的性能，尤其是以自然圖像為處理對象的計算機視覺領域取得突破性進展。這些特點使得深度學習方法應用與醫學圖像分析成為可能。

3 深度學習在醫學圖像分割研究進展

在醫學圖像處理和分析的過程中，首要任務是對醫學圖像進行分割。最終目標是將圖像分為多個域間具有差異性、域內呈現相似性的區域，確定目標區域，為后續的圖像研究、醫生診斷提供重要的依據。近年來，較傳統的基于閾值、邊緣、區域、圖論等的圖像分割方法，基于深度學習的圖像分割方式在醫學或者一些復雜的圖像分割中明顯提高了分割的精度，具有顯著優勢。

基于深度學習方法的圖像分割技術可處理多種成像類型醫學圖像。Ciresan等[1]采用方形滾動窗口的方式向CNN網絡輸入數據，將深度學習用于了電子顯微鏡圖像中對生物神經膜進行分割;潘麗艷等[2]采用了基于AlexNet的全卷積網絡并利用遷移學習對兒童肺炎X胸片進行肺區域分割，構建了一個兒童肺炎類型自動判別模型，該模型判別準確率可達80.48%;Wang等[3]在U-Net結構中添加水平連接，提出了一種自適應全密度神經網絡用于CT圖像分割，該網絡能夠自適應地從各層提取特征、使用集成訓練輸出、進而提取圖像中更多的邊緣信息;陳星[4]提出了在Dense Net和U-Net基礎上，采用sparse block模塊、結合空間注意力機制以三維方式實現的混合空洞卷積的改進方法，該模型較其他模型參數量最少，可以快速數據達到較精確的分割結果。

基于深度學習方法的圖像分割技術可處理多種分割任務醫學圖像。Manu Goyal采用了混合損失函數與遷移學習，提出了一種使用FCN進行多類語義分割的端到端解決方案，實現了角膜、黑色素瘤、良性病變三種目標的自動分割;Maria等[5]綜合了體積信息與模型大小提出了一種FCN自適應2D-3D集合的3D醫學圖像分割方法，提高了自動搜索效率及模型的性能，在前列腺和心臟分割上表現突出;Zhang等[6]通過Inception-Res替換標準卷積塊，實現了一種CNN中集成了Inception-Res新穎U-net架構，增加了網絡寬度、加速了學習，并且在Kaggle肺部CT分割、MICCAI BraTS 2017腦腫瘤分割上都取得了0.9857以上的平均Dice分數。

4 深度學習在醫學圖像分類識別研究進展

基于深度學習的圖像分類識別一直以來都是醫學圖像分析領域中一個十分重要的研究方向。圖像分類識別問題的本質是數據擬合的過程，是通過訓練好的能夠模擬人腦分析理解數據的網絡模型[7]，對輸入的檢查圖像數據進行預測，輸出一個描述是否患有某種疾病或某種疾病輕重程度量化分級的診斷變量，以便輔助醫生診斷病情及后續圖像研究。目前，相當多的研究證實，較傳統的研究方法基于深度學習的圖像分類識別方式在處理的敏感性、真陰性和準確性上都具有明顯優勢。

如今，卷積神經網絡被廣泛使用，已成為圖像分類識別中的主流技術之一。如Suk等[8]將特征表示與MRI或PET的多峰信息進行融合轉化成了多態特征組合，利用了深度學習技術進行阿爾茨海默氏病（ Alzheimers Disease.AD）的診斷及定量分析;Arevalo等采用一種基于混合的卷積神經網絡自動化的提取乳腺X線圖像中區分性特征，用于乳腺X線圖像的定性分類及癌癥診斷;如高新庭等[9]使用CNN學習白內障圖像中的低維特征，隨后進一步采用RNN學習高維特征，實現對白內障的定性定量分析;Gijs等采用RBM代替標準的濾波組，將CNN與RBM融合構建了卷積分類RBM模型，用于肺部CT紋理分級及氣道檢測。

5 深度學習在計算機輔助診斷研究進展

1959年學者Ledley等將數學模型引入臨床醫學研究，開啟了計算機輔助診斷的先河（ Computer-aided Diagnosis，CAD）。CAD主要應用于醫學鄰域，它通過將影像技術、圖像處理技術計算機技術以及其他技術手段相結合對醫學影像數據處理、分析、計算，輔助檢測病灶，提高醫生診斷準確性。大量研究結果證實，基于DL的CAD在疾病的早期檢測、評估診斷中都具有較強的參考意義。

在疾病的早期檢測中，Mollahosseini等在圖像上應用了剪切波變換，提出了一種基于CNN乳腺癌早期檢測和前列腺Gleason分級的框架，提高了檢測的準確性，具有良好的泛化性。李靜[10]探索研究了非監督堆疊自編碼（Stacked Autoencod-er，SAE）、三維卷積神經網絡及遷移學習等不同深度學習方法，并利用不同模態的DCE-MRI影像數據對乳腺癌早期檢測診斷，在靈敏度和特異性均取得良好的實驗結果;趙雷[11]采用生成式對抗網絡生成三維立體肺結節，提出了一種設計三維卷積網絡診斷算法，用于肺結節的早期檢測和良惡性診斷;謝未央等[12]提出一種基于三維卷積神經網絡的肺結節檢測算法，該算法根據CT圖像中肺結節的特點改進了三維ResNeXt推薦網絡，進而融合了多尺度分類網絡，消除了初次檢測中的假陽性結果，并在LUNA16數據集驗證了算法的可行性。

在疾病的評估診斷中，顧久馭[13]聚類構建一個與醫學影像相關度高的自然圖像子集進行遷移學習，提出了一種基于輔助域遷移學習的CNN網絡建構，用于阿茲海默癥的影像輔助診斷;梁翠霞等[14]將傳統圖像特征與深度學習特征相結合，采用多權重分類器融合的方式構建了一個乳腺腫瘤分類模型，并且深入分析評估了不同DL網絡腫瘤分類性能;Liu等將多維深度學習方法應用于甲狀腺疾病SPECT圖像的輔助診斷中，并對標準的CNN、Inception，VGG16及RNN四種DL模型對比測試分類性能，測試結果顯示準確性為92.9%_96.2%，AUC為97.8%-99.6%;Mansour等采用基于卷積神經網絡的AlexNet模型，采用了預處理、GMM的概念區域分割、連接組件分析ROL本地化、PCA和LDA的特征選擇、SVM分類等多級優化處理措施，提出了糖尿病性視網膜病變（ DR）CAD解決方案，并與基于SIFT的DR對比分析。

6 結論

深度學習已在許多領域取得突破性的成就。即使在醫學影像數據日益復雜化背景下，DL憑借其可以自動從大量樣本數據中提取深層、抽象的特異性特征，可以對醫學影像定性定量分析，改善了臨床診斷方式，極大提高了診斷效率及準確率。大量的研究結果及醫學圖像分析挑戰賽結果表明，DL相關方法在處理多類圖像、復雜圖像上較非DL方法突顯了其領先水平的性能。但是，該領域仍存在許多問題尚待研究，如DL方法仍處于初級階段，對實現復雜功能的需求仍有很大的難度;DL本身存在著不可解釋性，短時間內無法令臨床醫生信服與接受;由于醫學圖像數據的特殊性，導致醫學數據集仍是十分稀缺，而標注清晰完整數據集少之又少;海量醫學圖像的分析;對硬件需求較高等;隨著DL技術的不斷改進與完善，DL在醫學圖像處理與分析中將大有作為。

參考文獻：

[1] Cirean D C，GiustiA， GambardeUa L M，etaI.Deep neural net-works segment neuronal membranes in electron microscopy im-ages[Jl. Advancesin Neural Information Processing Systems，2012，25

[2]潘麗艷，梁會營.基于深度學習的兒童肺炎病原學類型判別模型[Jl-中國數字醫學，2019，14（3）：59-61，110.

[3] Wang E K，Chen C M，Hassan M M，etaI.A deep learning basedmedical image segmentation technique in Internet-of-Medical-Things domain[J].Future Generation Computer Systems， 2020，108：135-144.

[4]陳星.基于深度學習的心臟MR圖像分割方法研究[D].長春：吉林大學，2019.

[5] BaldeonCalistoM， Lai-YuenSK. AdaEn-Net： an ensemble ofadaptive 2D 3D Fully Convolutional Networks for medicalimage segmentation[Jl.Neural Networks， 2020，126：76-94.

[6] Zhang Z A，Wu C D，ColemanS， etal. DENSE-lNception U-netfor medical image segmentation[Jl.Computer Methods and Pro-grams in Biomedicine， 2020，192：105395.

[7]田娟秀，劉國才，谷珊珊，等.醫學圖像分析深度學習方法研究與挑戰[J].自動化學報，2018，44（3）：401-424.

[8] Suk H I，Lee S W，ShenDG.Latent feature representation withstacked auto-encoder for AD/MCI diagnosis[Jl.Brain Structureand Function， 2015，220（2）：841-859.

[9] Gao X T，LinS，Wong TY.Automatic feature learning to gradenuclear cataracts based on deep learning[J].IEEE Transactionson Biomedical Engineering， 2015，62（11）：2693-2701.

[10]李靜.基于深度學習的乳腺癌早期診斷研究[D].杭州：杭州電子科技大學，2017.

[11]趙雷.基于深度學習的肺結節的檢測和診斷[D].天津：天津工業大學，2018.

[12]謝未央，陳彥博.基于卷積神經網絡的CT圖像肺結節檢測[Jl.計算機工程與設計，2019，40（12）.

[13]顧久馭.基于卷積神經網絡和遷移學習的醫學影像輔助診斷研究[D].濟南：山東大學，2018.

[14]梁翠霞，李明強，等，基于深度學習特征的乳腺腫瘤分類模 型評估[Jl.南方醫科大學學報，2019，39（1）.

[15]艾飛玲，馬圓，田思佳，等.深度學習在醫學圖像分析中的研究進展[J）.北京生物醫學工程，2018，37（4）：433-438.

【通聯編輯：梁書】