深度学习技术在医学影像领域的应用.pdfVIP

深度学习技术在医学影像领域的应用

夏黎明;沈坚;张荣国;王少康;陈宽

【摘要】深度学习技术,作为最近几年人工智能最热门的研究领域,已成为全世界关

注的焦点.深度学习在很多行业中展现出强大的应用能力,在某些视听识别任务中的

表现甚至超越了人类.在医学领域,深度学习也逐渐成为研究者们分析大数据,尤其是

医学影像的首选方法.本文简要介绍深度学习的历史与概况,结合国内外最新和最有

影响力的研究成果,阐述深度学习在医学影像领域的科学研究进展,同时介绍深度学

习在医学影像领域产品化应用及其未来的机遇与挑战.

【期刊名称】《协和医学杂志》

【年(卷),期】2018(009)001

【总页数】5页(P10-14)

【关键词】深度学习;人工智能;医学影像;临床研究

【作者】夏黎明;沈坚;张荣国;王少康;陈宽

【作者单位】华中科技大学同济医学院附属同济医院放射科,武汉430030;北京推

想科技有限公司,北京100025;北京推想科技有限公司,北京100025;北京推想科技

有限公司,北京100025;北京推想科技有限公司,北京100025

【正文语种】中文

【中图分类】R445

深度学习技术，作为人工智能的热门研究领域，自2006年由多伦多大学教授

GeoffreyHinton[1]提出后,已在各行各业呈现爆炸式增长，并涌现出像AlphaGo、

自动驾驶汽车这样的重量级应用，继而引发了全球范围内的广泛讨论及深度学习发

展的潮流。

深度学习是一种对数据进行表征学习的方法，其使用包含复杂结构或由多重非线性

变换构成的多个处理层对数据进行高层抽象[2]。深度学习网络可理解为传统神经

网络的延伸，是通过深层非线性网络结构无限逼近复杂函数，以获取数据的原始特

征，进而取代传统的由人工提取数据特征的方法，实现让机器自主学习并提取数据

特征。同时，由于网络模型具有层次深、运算量大、表达能力强等特点，深度学习

非常适用于大数据，尤其是图像、语音等直观意义不明显的数据。

2016年是深度学习高速发展的一年，这主要得益于大数据的支撑，图形处理器强

大的运算能力，以及新型算法的不断更新。工业界巨头如国外的Google、

Facebook以及国内的百度、阿里巴巴、腾讯等一系列创新型大公司纷纷对外公开

表示人工智能尤其是深度学习将是其下一个战略重心。同时，许多创业公司在各行

各业纷纷成立，均瞄准了深度学习的广阔前景。

1应用于医学影像的深度学习方法及应用分类

自计算机技术得到广泛应用起，医学影像研究者们就尝试建立影像自动分析系统。

20世纪70年代至90年代，研究者们通过对边、线、圆等特殊图形的数学建模进

行医学影像分析；90年代末开始，以训练数据为基础的监督学习系统逐渐占据主

流，但其中的关键步骤,提取影像特征仍由人工完成；为了实现计算机的自动特征

提取，卷积神经网络(convolutionalneuralnetwork,CNN)应运而生，虽然最初

CNN并不受重视，但Krizhevsky等[3]在2012年ImageNet大赛中应用深度学

习网络AlexNet将准确率足足提高了一个档次，使得深度学习神经网络成为计算

机视觉以及医学影像分析领域的热门技术。自此，深度学习在医学影像领域的研究

逐年增加，尤其在2015年之后更是呈井喷式增长[4]。

1.1深度学习方法

1.1.1监督学习

监督学习需要通过有标注的数据进行训练得到模型参数，即先输入计算机一些问题

的正确答案，然后在这些经验的基础上判断和分析新案例。在医学影像领域监督学

习的应用较多，其中常见模型包括CNN，以及近来颇受关注的的循环神经网络

(recurrentneuralnetworks,RNN)。

1.1.2无监督学习

无监督学习则是在未标记数据的基础上直接从数据中寻找规律，生成模型参数，典

型案例是在一些无标签的肿瘤图片中分出其良恶性质。

1.2应用分类

1.2.1分类问题

分类问题又可称为诊断问题，是深度学习最先涉及的问题，即输入完整或局部的医

学影像，计算机输出单一的诊断结果，如是否存在异常。CNN是最常用的方法，

此外，由于医学影像训练数据的量级(成百上千)往往远小于计算机视觉模型所需的

量级(数百万数千万)，迁移学习也很常见。迁移学习可利用由其他图片(通常是自

然图片)训练生成的网络，弥补医学影像训练数据量不足的问题。迁移学习在实际

操作中有两种，一是直接用网络进行医学影像