• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    深度學(xué)習(xí)在肺炎檢測中的研究綜述

    2020-03-09 06:13:06郝海江劉亞榮
    桂林理工大學(xué)學(xué)報 2020年4期
    關(guān)鍵詞:深度檢測方法

    李 新, 陳 帆, 郝海江,黃 琳, 劉亞榮

    (桂林理工大學(xué) a.信息科學(xué)與工程學(xué)院; b.廣西嵌入式技術(shù)與智能系統(tǒng)重點(diǎn)實驗室, 廣西 桂林 541006)

    0 引 言

    肺炎是臨床醫(yī)學(xué)中最常見的感染性疾病之一[1], 其發(fā)病周期短、 成因復(fù)雜, 免疫力相對低下的兒童和老年人更是易感人群。 據(jù)世界衛(wèi)生組織報告, 僅2016年, 全球就有80多萬人死于肺炎, 死亡人數(shù)超過瘧疾、 艾滋病和麻疹的總和[2-3]。 因此, 及時的診斷肺炎并且進(jìn)行治療是非常重要的。目前診斷肺部疾病的主要方法有X射線[4]、 計算機(jī)斷層掃描(CT)[5]、 磁共振成像(magnetic resonance imaging, MRI)等[6]。 由于X射線和CT價格相對便宜, 成像質(zhì)量適中等優(yōu)點(diǎn), 是大多數(shù)病人選擇的檢查方式。在肺部胸片上檢測[7]是否患有肺炎,要求醫(yī)生有過硬的專業(yè)知識和豐富的臨床經(jīng)驗, 是一項極具挑戰(zhàn)性的工作。 此外,對于醫(yī)生來說, 每天花費(fèi)大量時間來觀察大量肺部影像, 難免存在視覺疲勞, 出現(xiàn)誤診、 漏診等情況,計算機(jī)輔助診斷系統(tǒng) (computer-aided designs, CAD)應(yīng)運(yùn)而生[8]。

    深度學(xué)習(xí)作為人工智能領(lǐng)域的一個重要分支[9], 其出現(xiàn)開辟了現(xiàn)代計算機(jī)領(lǐng)域的一個新興研究方向。它是由Hinton等在2006年所提出, 其本質(zhì)是有監(jiān)督的學(xué)習(xí)[10], 使用原始或者經(jīng)過預(yù)處理帶有明確標(biāo)簽的數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)算法的輸入; 然后算法對數(shù)據(jù)進(jìn)行分層抽象處理, 將原始的輸入數(shù)據(jù)一層一層地抽象成其自身任務(wù)所需要的目標(biāo)特征[11]; 最后將學(xué)習(xí)到的特性映射到任務(wù)目標(biāo)作為結(jié)束。 深度學(xué)習(xí)與傳統(tǒng)的淺層學(xué)習(xí)的主要區(qū)別在于淺層學(xué)習(xí)(圖1)基本上只有輸入輸出和一層隱藏層; 而深度學(xué)習(xí)(圖2)主要是強(qiáng)調(diào)模型結(jié)構(gòu)的深度[12], 一般具有多層隱藏層(包含多層的卷積層和池化層), 深層網(wǎng)絡(luò)意味著擁有更好的非線性表達(dá)能力, 可以學(xué)習(xí)到更加復(fù)雜的非線性變換, 從而擬合更加復(fù)雜的輸入特征。因此,深度學(xué)習(xí)方法成為目前計算機(jī)輔助診斷領(lǐng)域所使用最為廣泛的方法,本文就深度學(xué)習(xí)在肺炎檢測中的研究現(xiàn)狀展開詳細(xì)討論,充分描述了目前肺炎檢測所取得的成果以及所面臨的問題,并給出了進(jìn)一步的研究建議。

    圖1 傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)結(jié)點(diǎn)

    圖2 深度神經(jīng)網(wǎng)絡(luò)一般模型結(jié)構(gòu)

    1 深度學(xué)習(xí)模型

    在2012年ImageNet競賽[13]上, 由Krizhevsky等[14]設(shè)計的AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)取得冠軍, 使得CNN成為圖像識別檢測等領(lǐng)域的核心算法模型。 隨后,大量優(yōu)秀模型相繼問世, 例如VGGNet[15]、 GoogleNet[16]、 ResNet[17]、 ResNext[18]等。其詳細(xì)參數(shù)以及Top5錯誤率如表1所示。

    2 數(shù)據(jù)集

    肺炎圖像數(shù)據(jù)集的獲取途徑特殊, 一般情況下只能在醫(yī)院獲得。文獻(xiàn)中所用到的數(shù)據(jù)集多是通過和一些大型醫(yī)院進(jìn)行合作所得, 并未公開, 因此數(shù)據(jù)集獲取存在一定難度; 另外, 由于醫(yī)學(xué)影像的專業(yè)性, 其標(biāo)注成本相對較高, 通常都是由1~2位經(jīng)驗豐富的專業(yè)醫(yī)學(xué)影像醫(yī)生進(jìn)行標(biāo)注, 再由1~2位醫(yī)生檢查標(biāo)注結(jié)果, 這也是導(dǎo)致公開肺部醫(yī)學(xué)圖像數(shù)據(jù)集較少的原因之一。目前有3個比較大型的公開肺部影像數(shù)據(jù)集可以供學(xué)者進(jìn)行研究。

    (1)NIH Chest X-ray。此公開數(shù)據(jù)集是由美國國立衛(wèi)生研究院(national institutes of health, NIH)[19]所提供, 有112 120張X射線肺部影像, 包括肺炎在內(nèi)的14種胸部疾病, 研究人員在原始數(shù)據(jù)集上采用自然語言處理(NLP)的方式對圖片進(jìn)行標(biāo)注, 正確率超過90%, 由于其自身標(biāo)簽就存在一定的誤差性, 因此采用此數(shù)據(jù)集進(jìn)行研究所得到的結(jié)果一般都沒有其他兩個數(shù)據(jù)集所得到的結(jié)果理想。

    (2)Chest X-ray Images。此數(shù)據(jù)集是加州大學(xué)圣迭戈分校Kermany等[20]在2018年間收集的廣州婦女兒童醫(yī)學(xué)中心1~5歲兒童肺部的5 863張胸片, 分為正常和肺炎兩個類別。 在此數(shù)據(jù)集上利用遷移學(xué)習(xí)的方法得到高達(dá)92.80%的準(zhǔn)確率[21], 部分肺部影像如圖3所示。

    (3)肺炎識別比賽公開數(shù)據(jù)集。 此數(shù)據(jù)集是2018年9月由北美放射協(xié)會(RSNA?)聯(lián)合Kaggle公司發(fā)起的醫(yī)學(xué)圖像肺炎識別比賽中提供的數(shù)據(jù)集[22]。 每組胸片還提供了患者的肺部病灶邊界框值、 目標(biāo)值等; 此外數(shù)據(jù)集分為肺炎和非肺炎(包括正常和非肺炎異常組)。

    表1 卷積神經(jīng)網(wǎng)絡(luò)不同模型的參數(shù)信息

    圖3 胸部 X-ray部分影像[20]

    3 國內(nèi)外研究現(xiàn)狀分析

    3.1 傳統(tǒng)檢測方法

    早期, 在肺炎檢測領(lǐng)域大多數(shù)采用傳統(tǒng)圖像處理[23]和機(jī)器學(xué)習(xí)[24]的方法對肺炎進(jìn)行檢測, 如范炤等[25]提出了一種基于BP人工神經(jīng)網(wǎng)絡(luò)的肺炎預(yù)測模型,將肺炎的多個致病因素作為網(wǎng)絡(luò)模型的輸入,使用反向傳播算法對參數(shù)進(jìn)行更新后達(dá)到肺炎預(yù)測目的,相對于如今的卷積神經(jīng)網(wǎng)絡(luò),出現(xiàn)了網(wǎng)絡(luò)泛化能力不強(qiáng)、預(yù)測準(zhǔn)確率不高等問題。袁茂州[26]使用LBP算法以及灰度共生矩陣來提取圖像只含肺部區(qū)域的特征, 結(jié)合支持向量機(jī)(SVM)分類器對肺部圖像進(jìn)行識別, 然而新算法需要人工設(shè)置閾值, 提取到的肺部特征較為單一。王忠闖等[27]同樣是采用SVM的方法,針對感染肺炎后無法準(zhǔn)確監(jiān)測病人的實時情況提出了一種基于支持向量機(jī)的呼吸器肺炎檢測方案,經(jīng)過交叉驗證和受試者工程特征曲線對搭建后的模型進(jìn)行評估,其結(jié)果為??漆t(yī)師提供了一定的參考作用。 王家銘等[28]采用KNN分類器, 最終也是只達(dá)到了75%的精確率。 岳路等[29]利用經(jīng)典的決策樹算法, 對200例的小兒肺炎進(jìn)行分類, 準(zhǔn)確率達(dá)到了80%。 朱碧云等[30]利用小波變換的熵紋理特征進(jìn)行塵肺病分類診斷的研究, 準(zhǔn)確率達(dá)到了84.6%。 2017年傅星瑜等[31]在采用小波變換和BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出了一種特征提取和分類不穩(wěn)定的肺音信號識別方法[32]來診斷肺炎, 在識別肺炎的過程中表現(xiàn)良好。

    這類傳統(tǒng)方法一般需要人工提取特征, 并且對于肺部X射線影像而言, 需要研究人員有一定的醫(yī)學(xué)知識或者交叉學(xué)科基礎(chǔ), 因此人工提取特征存在一定的誤差性, 所得出的檢測結(jié)果也不十分理想, 目前已逐漸淡出肺炎檢測研究領(lǐng)域。

    3.2 深度學(xué)習(xí)檢測方法

    深度學(xué)習(xí)方法作為目前計算機(jī)視覺分類、 目標(biāo)檢測領(lǐng)域的主流研究方法, 表現(xiàn)出強(qiáng)大的競爭力。針對傳統(tǒng)方法檢測過程中耗時耗力、 檢測準(zhǔn)確率不高等問題, 為進(jìn)一步提升識別效率和結(jié)果, 研究人員將深度學(xué)習(xí)方法引入肺炎檢測領(lǐng)域。深度學(xué)習(xí)成為提升醫(yī)學(xué)圖像分類識別效率的突破口, 其端到端的應(yīng)用方式、 高精度的分類結(jié)果是目前肺炎識別領(lǐng)域的研究熱點(diǎn)。

    3.2.1 分類識別 分類是指將圖片結(jié)構(gòu)化為某一類別信息, 將標(biāo)注好類別或者屬性ID的圖片經(jīng)過分類算法得出類別結(jié)果。 基于深度學(xué)習(xí)的分類方法在訓(xùn)練階段通過大量的訓(xùn)練數(shù)據(jù)優(yōu)化網(wǎng)絡(luò)的參數(shù), 在測試階段, 網(wǎng)絡(luò)可以通過多層卷積快速得到待求的類別, 而無需再進(jìn)行繁瑣的數(shù)值優(yōu)化; 不足之處在于不能對圖片中特定信息(如肺炎檢測中病灶區(qū)域的定位)進(jìn)行更為詳細(xì)的解釋。

    潘麗艷等[33]提出一種基于改進(jìn)AlexNet方法并結(jié)合遷移學(xué)習(xí)對肺炎胸片進(jìn)行了細(xì)菌型和病毒性肺炎進(jìn)行了判別:先利用AlexNet的全卷積神經(jīng)網(wǎng)絡(luò)對肺部胸片進(jìn)行左右肺區(qū)的分割, 排除其他非肺部組織對檢測結(jié)果的干擾, 該網(wǎng)絡(luò)使用了3個卷積層替換了原來AlexNet網(wǎng)絡(luò)中的最后面3個全連接層, 使輸入的圖片大小和輸出的圖片大小保持一致; 算法采用Dice系數(shù)來進(jìn)行分割效果評價, 最終平均Dice系數(shù)為0.90, 將分割后的圖片采用改進(jìn)AlexNet+SVM的分類方法, 最后得到準(zhǔn)確率為80.48%, 特異度為82.07%, 靈敏度為77.55%。劉長征等[34]提出一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò):該網(wǎng)絡(luò)由3個卷積層、 3個層和1個全連接層組成, 并且對卷積層進(jìn)行了特殊處理, 加入了兩個標(biāo)志符號, 有效抑制不活躍的肺部圖像信息, 同時也防止了過擬合的出現(xiàn); 前期預(yù)處理時采用趙恒等提出的閾值分割算法[35],將分割后的肺部圖像送入到卷積神經(jīng)網(wǎng)絡(luò)中, 使用來自哈爾濱醫(yī)科大學(xué)附屬第二醫(yī)院的2 000張肺部CT(該數(shù)據(jù)集并沒有公開),最終達(dá)到86.75%的識別率。

    雖然以上文獻(xiàn)采用的都是深度學(xué)習(xí)技術(shù), 但由于采用的是經(jīng)典算法, 所用網(wǎng)絡(luò)結(jié)構(gòu)相對單一, 泛化能力不強(qiáng), 以及使用了早期效果一般的激活函數(shù), 在反向傳播的過程中或多或少出現(xiàn)了梯度爆炸或者梯度消失的情況, 導(dǎo)致在迭代的過程中出現(xiàn)了識別率飽和的現(xiàn)象。

    為解決肺炎數(shù)據(jù)集中數(shù)據(jù)量不夠的問題, 遷移學(xué)習(xí)目前已經(jīng)成為了深度學(xué)習(xí)中醫(yī)學(xué)圖像輔助檢測的主流方法, 不僅解決了醫(yī)學(xué)圖像數(shù)據(jù)規(guī)模不夠的問題, 同時也解決了難以從開始就訓(xùn)練大型網(wǎng)絡(luò)的問題,它采用已在大型數(shù)據(jù)集上(如ImageNet或者特征相近其他大型數(shù)據(jù)集)訓(xùn)練好的權(quán)重, 將權(quán)重文件遷移到新的網(wǎng)絡(luò)中后再對網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)。如鄧棋等[36]采用了一種基于知識蒸餾[37]并結(jié)合優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)的方法, 根據(jù)肺部CT圖像的特點(diǎn), 選用AlexNet和Inception V3深度學(xué)習(xí)模型網(wǎng)絡(luò), 利用遷移學(xué)習(xí)的方法有效避免了由于數(shù)據(jù)量過小而易引起的過擬合等問題, 具體實現(xiàn)過程如圖4所示。

    圖4 知識蒸餾網(wǎng)絡(luò)模型

    先將Teacher Module的訓(xùn)練結(jié)果用指定的參數(shù)T“軟化”, 再利用激活函數(shù)softmax得到經(jīng)過T軟化后的概率, 具體計算式為

    其中:i表示某一類別;qi為教師模型所得出的某一類結(jié)果的可能性;zi為教師模型中第i類的輸出值,zj為教師模型中總輸出值,j為分類類別數(shù),本文為作二分類問題,j取值為1,2;T為軟化參數(shù)。模型的最終準(zhǔn)確率達(dá)到了92.48%, 損失為0.023。

    Liang等[38]同樣采用了遷移學(xué)習(xí)的思路, 基于ResNet殘差網(wǎng)絡(luò), 通過引入殘差的思想, 來解決隨著網(wǎng)絡(luò)深度不斷增加, 效果越差的問題。該網(wǎng)絡(luò)由49個卷積層和2個全連接層組成, 通過空洞卷積[39]的方式, 使得原始網(wǎng)絡(luò)分辨率不變, 圖像空間分辨率損失最小化, 空洞卷積的原理如圖5所示, 可看出, 空洞卷積支持在不增加核參數(shù)的情況下增加卷積核的感受域, 有效避免了過度丟失特征圖的分辨率, 達(dá)到了90.50%的準(zhǔn)確率。

    何新宇等[40]采用在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練好的GoogleNet Inception V3模型進(jìn)行特征提取, 在該深度學(xué)習(xí)模型中加入由2層全連接層(神經(jīng)元個數(shù)分別為1 024和512)和1個Dropout層所組成的特征融合層, 并結(jié)合隨機(jī)森林分類器, 在公開數(shù)據(jù)集Chest X-Ray Images肺炎數(shù)據(jù)集上進(jìn)行了一系列的測試, 準(zhǔn)確率達(dá)到了96.77%, 敏感度達(dá)到97.56%, 特異度達(dá)到94.26%, 此成果為目前肺炎檢測中所取得的最好研究成果。

    圖5 膨脹系數(shù)為1(a)、 2(b)、 3(c)的3×3空洞卷積結(jié)構(gòu)圖

    在有關(guān)肺炎檢測研究中, 使用的大多是層數(shù)較深的網(wǎng)絡(luò), 多層卷積以及多樣化的卷積核具有更好的特征擬合泛化能力。2017年Wang等[41]使用自建的Chest X-ray8, 即前文面所提到的公開數(shù)據(jù)集NIH Chest X-ray的子數(shù)據(jù)集, 來判定和定位肺不張、 心臟肥大、 肺炎等8種胸部疾病, 其中肺炎識別的精確率最高達(dá)到了63.33%。 Yao等[42]利用標(biāo)簽之間的統(tǒng)計依賴關(guān)系來進(jìn)行更加準(zhǔn)確的預(yù)測, 其結(jié)果優(yōu)于文獻(xiàn)[19]研究中14個分組中的13個, 其中肺炎的精確率為71.3%,識別精確率較低的原因是因為數(shù)據(jù)集本身存在部分錯誤標(biāo)簽, 并且多種胸部疾病的影像特征相近、 分類類別較多, 因此最終識別效果不高。 Rajpurkar 等[43]設(shè)計了一種叫作CheXNet的121層卷積神經(jīng)網(wǎng)絡(luò), 在目前最大的胸部X射線數(shù)據(jù)集Chest X-ray14上訓(xùn)練、 測試, 所得結(jié)果與4位從事學(xué)術(shù)研究的放射學(xué)家的標(biāo)注結(jié)果進(jìn)行了對比, 結(jié)果表明在CheXNet上得到的指標(biāo)中F1-score超過了放射科醫(yī)生的平均水平。Varshni等[44]使用在ImageNet上預(yù)訓(xùn)練好的Xception[45]、 RestNet-50、 DensNet-121、 DensNet-169[46]等卷積神經(jīng)網(wǎng)絡(luò), 隨后結(jié)合隨機(jī)森林、 KNN、 樸素貝葉斯、 SVM分類器對其性能進(jìn)行了評估, 最后在Chest X-ray14數(shù)據(jù)集上進(jìn)行數(shù)據(jù)處理, 挑選出了1 431張帶有肺炎標(biāo)簽的圖片; 為了平衡數(shù)據(jù)集, 同樣在該數(shù)據(jù)集上挑選出了1 431張標(biāo)記為無發(fā)現(xiàn)的正常胸片, 然后將數(shù)據(jù)集分為訓(xùn)練集和測試集, 結(jié)果顯示:在RestNet-169結(jié)合帶rbf核的SVM分類器并對網(wǎng)絡(luò)進(jìn)行超參數(shù)調(diào)節(jié)后表現(xiàn)出了最好結(jié)果, 其評價指標(biāo)AUC(area under the curve)值達(dá)到了0.800 2, 結(jié)合多種網(wǎng)絡(luò)和多種分類器, 進(jìn)一步提升了分類效果。

    3.2.2 目標(biāo)檢測定位識別 深度學(xué)習(xí)具有自動從網(wǎng)絡(luò)中學(xué)習(xí)深層次、 鑒別特征的能力, 已在醫(yī)學(xué)圖像檢測定位領(lǐng)域廣泛應(yīng)用。 目標(biāo)檢測的深度學(xué)習(xí)方法優(yōu)點(diǎn)在于不僅進(jìn)行了類別識別, 同時也根據(jù)標(biāo)簽信息將感興趣的區(qū)域(病灶區(qū)域)檢測出來, 在肺炎檢測領(lǐng)域更好地幫助醫(yī)生快速定位病灶點(diǎn); 其缺點(diǎn)在于當(dāng)圖片存在多個感興趣區(qū)域時檢測難度大大增加, 檢測結(jié)果準(zhǔn)確性有待提高。

    在目標(biāo)檢測方面:Mubarok等[47]使用了由北美放射協(xié)會RSNA?聯(lián)合Kaggle公司提供的肺炎挑戰(zhàn)賽中的公開數(shù)據(jù)集, 基于ResNet和Mask-RCNN[48]兩個深度學(xué)習(xí)模型, 在ResNet的基礎(chǔ)之上實現(xiàn)了在每次卷積和使用激活函數(shù)之后進(jìn)行批處理歸一化, 并且在訓(xùn)練的過程中采用余弦退火算法來優(yōu)化學(xué)習(xí)率; 對于損失函數(shù), 結(jié)合了IOU和二元交叉熵。在Mask-RCNN上采用了自底而上和自頂而下兩種提取特征的路徑, 采用準(zhǔn)確率、 敏感度、 特異度3個醫(yī)學(xué)圖像檢測常用的評價指標(biāo), Residual Network和Mask-RCNN的結(jié)果分別為85.60%、 51.52%、 94.83%和78.06%、 36.12%、 85.54%,并且利用Mask-RCNN進(jìn)行了病灶區(qū)域的定位, 具體定位結(jié)果如圖6所示。

    圖6 由Mask-RCNN給出的定位信息[53]

    文獻(xiàn)[49]使用與前文所述都不相同的深度神經(jīng)網(wǎng)絡(luò)——CoupleNet[50]的全卷積神經(jīng)網(wǎng)絡(luò): 先通過基本網(wǎng)絡(luò)將圖片信息傳送到區(qū)域建議網(wǎng)絡(luò)來產(chǎn)生Proposal區(qū)域; 然后每一個Proposal被傳送給兩個分支, 第一個分支使用位置敏感RoI pooling[51]來獲取本地信息, 第二個分支用來提取全局的上下文信息; 最后合并這兩個分支的輸出, 生成基于本地信息和全局信息的預(yù)測, 預(yù)測結(jié)果如圖7所示(紅色為預(yù)測框信息, 綠色框為真實信息)。

    從某種程度上看, 在肺炎識別領(lǐng)域目標(biāo)檢測的方法要優(yōu)于分類方法。 分類的方法僅是給出是否患有肺炎, 而目標(biāo)檢測方法不僅區(qū)分出是否患有肺炎并且還給出了具體病灶區(qū)域的候選框, 真正達(dá)到了輔助醫(yī)生進(jìn)行疾病的診斷,減少了醫(yī)生的負(fù)擔(dān), 不足之處在于目前此方面的相關(guān)文獻(xiàn)不多, 同時相關(guān)文獻(xiàn)中肺炎病灶區(qū)域定位準(zhǔn)確率還有待提高。

    3.3 算法總結(jié)

    由于多數(shù)研究者是利用不同的方法在不同的數(shù)據(jù)集上進(jìn)行實驗, 而且不同的實驗環(huán)境和設(shè)備以及不同的數(shù)據(jù)集預(yù)處理方式和評價指標(biāo)都會對最后的結(jié)果產(chǎn)生影響。在Chest X-ray Images數(shù)據(jù)集上進(jìn)行研究的文獻(xiàn)較多, 對此數(shù)據(jù)集上的研究成果進(jìn)行了對比總結(jié), 其結(jié)果如表2所示。

    圖7 文獻(xiàn)[49]中的定位結(jié)果

    表2 在Chest X-ray Images數(shù)據(jù)集上已有研究成果對比

    4 總結(jié)與展望

    隨著深度學(xué)習(xí)浪潮的涌起, 很多文獻(xiàn)在研究利用深度學(xué)習(xí)方法來進(jìn)行肺炎的檢測診斷需求, 盡管取得了一定的進(jìn)展, 但是其效果仍不能完全滿足實際的肺炎診斷。 究其原因, 主要是醫(yī)學(xué)疾病診斷的嚴(yán)謹(jǐn)性, 在當(dāng)前技術(shù)不成熟的情況下仍然需要專業(yè)醫(yī)生再次把關(guān), 最終結(jié)果還是需要醫(yī)生根據(jù)以往的臨床診斷經(jīng)驗和專業(yè)知識來做最后的判別。多數(shù)研究人員只是對肺部影像進(jìn)行了是否屬于肺炎的判別, 而肺炎具有多種類型, 例如大葉型肺炎、 支氣管肺炎、 間質(zhì)肺炎、 SARS等, 僅文獻(xiàn)[34]通過和醫(yī)院合作利用未公開的數(shù)據(jù)集對肺炎的類型進(jìn)行了判別, 因此在未來的技術(shù)挑戰(zhàn)和發(fā)展方向上對相關(guān)研究人員給出幾點(diǎn)建議:

    (1)更多肺炎數(shù)據(jù)集的公開: 目前只有3個比較大型的肺炎公開數(shù)據(jù)集, 對于深度學(xué)習(xí)領(lǐng)域而言, 通常需要大量的肺部醫(yī)學(xué)影像經(jīng)過長時間的訓(xùn)練才能取得較好的效果, 因此需要更多的大型肺部影像數(shù)據(jù)集來為肺炎檢測作出貢獻(xiàn)。

    (2)對相關(guān)肺炎數(shù)據(jù)集進(jìn)行具體信息標(biāo)注:對一般的肺部影像數(shù)據(jù)集而言, 如果沒有給出具體信息(如病灶區(qū)域的位置信息, 病灶區(qū)域的大小,x、y軸信息), 僅能識別出是否是患有肺炎, 無法具體定位病灶區(qū)域以及通過候選框框出, 因而不能良好地快速幫助醫(yī)生定位病灶大小, 給出建議性的治療方案。

    (3)研究方向傾向于病灶定位以及快速定位:僅將肺部影像區(qū)分為肺炎和正常還遠(yuǎn)遠(yuǎn)不夠, 目前分類方面研究已取得較好效果, 未來的重點(diǎn)應(yīng)該是采用目標(biāo)檢測的方法進(jìn)行肺部炎癥病灶區(qū)域的快速定位和精準(zhǔn)定位, 使得計算機(jī)輔助診斷系統(tǒng)能夠快速精確診斷。

    (4)提出更加高效的算法: 目前深度學(xué)習(xí)算法參數(shù)量以及計算量基本上是少則幾十萬, 多則上億, 需要非常優(yōu)秀的硬件設(shè)備(顯卡和CPU等), 這無形之中大大增加了科研成本;另一方面也要求研究人員在算法方面進(jìn)行創(chuàng)新。

    深度學(xué)習(xí)方法作為一項新技術(shù), 其在影像醫(yī)學(xué)領(lǐng)域應(yīng)用研究還有很長的路要走, 針對醫(yī)學(xué)領(lǐng)域的實際情況, 需要投入更多的人力和物力去不斷改進(jìn)與創(chuàng)新; 并且由于深度學(xué)習(xí)技術(shù)在圖像信息處理方面的卓越表現(xiàn)能力, 其未來可能成為影像醫(yī)學(xué)臨床診療中的得力輔助工具。

    猜你喜歡
    深度檢測方法
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    深度理解一元一次方程
    深度觀察
    深度觀察
    深度觀察
    可能是方法不對
    小波變換在PCB缺陷檢測中的應(yīng)用
    用對方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    亚洲欧美清纯卡通| 国产探花极品一区二区| 成人欧美大片| 男女那种视频在线观看| 中文字幕人妻熟人妻熟丝袜美| 欧美丝袜亚洲另类| 久久久色成人| 亚洲国产精品成人久久小说| 一区二区三区乱码不卡18| 天美传媒精品一区二区| 亚洲欧美成人综合另类久久久 | 男人舔女人下体高潮全视频| 国产精品国产高清国产av| 婷婷色av中文字幕| 最近2019中文字幕mv第一页| 美女xxoo啪啪120秒动态图| 日本午夜av视频| 22中文网久久字幕| 女人久久www免费人成看片 | 精品一区二区三区人妻视频| 老师上课跳d突然被开到最大视频| 99热这里只有是精品在线观看| 一级毛片久久久久久久久女| 亚洲成人中文字幕在线播放| 熟女电影av网| 亚洲av中文字字幕乱码综合| 观看免费一级毛片| 久久精品久久久久久久性| 人妻少妇偷人精品九色| 一区二区三区四区激情视频| 我要看日韩黄色一级片| 国产高清视频在线观看网站| 菩萨蛮人人尽说江南好唐韦庄 | 国产免费视频播放在线视频 | 成人午夜精彩视频在线观看| 亚洲经典国产精华液单| 国产真实伦视频高清在线观看| 国产一区二区在线av高清观看| 毛片女人毛片| 国产激情偷乱视频一区二区| 男人舔奶头视频| 亚州av有码| 欧美成人a在线观看| 久热久热在线精品观看| 免费看光身美女| 男人舔奶头视频| 久久精品综合一区二区三区| 一本一本综合久久| 日韩一区二区视频免费看| 天堂中文最新版在线下载 | www.av在线官网国产| 午夜福利在线在线| av在线天堂中文字幕| 水蜜桃什么品种好| 免费av观看视频| 中文字幕av成人在线电影| 黑人高潮一二区| 一本久久精品| 丝袜喷水一区| 成人毛片60女人毛片免费| 99热网站在线观看| 男插女下体视频免费在线播放| 精品99又大又爽又粗少妇毛片| 国产成人一区二区在线| 村上凉子中文字幕在线| a级毛片免费高清观看在线播放| 国产精品美女特级片免费视频播放器| 久久这里有精品视频免费| 九草在线视频观看| av在线蜜桃| 少妇高潮的动态图| 国产精品不卡视频一区二区| 日韩欧美在线乱码| videos熟女内射| 亚洲高清免费不卡视频| 国产男人的电影天堂91| 国产精品乱码一区二三区的特点| 成人美女网站在线观看视频| 特大巨黑吊av在线直播| 蜜桃亚洲精品一区二区三区| 成人午夜高清在线视频| 欧美zozozo另类| 久久久久久伊人网av| 99久久中文字幕三级久久日本| 午夜福利在线观看免费完整高清在| 久久久a久久爽久久v久久| 久久久久久久久久久丰满| 国产成人免费观看mmmm| 午夜老司机福利剧场| 又爽又黄无遮挡网站| 视频中文字幕在线观看| 国产在线一区二区三区精 | 一级av片app| 国产69精品久久久久777片| 晚上一个人看的免费电影| 国产亚洲一区二区精品| 三级国产精品片| 麻豆精品久久久久久蜜桃| 秋霞在线观看毛片| 麻豆乱淫一区二区| 99热这里只有是精品在线观看| videos熟女内射| 少妇的逼水好多| 午夜福利高清视频| 一级二级三级毛片免费看| 少妇熟女欧美另类| 久久精品国产亚洲av涩爱| av播播在线观看一区| 国产精品女同一区二区软件| 如何舔出高潮| 亚洲成色77777| 热99在线观看视频| 日韩亚洲欧美综合| 久久人妻av系列| 亚洲性久久影院| 美女xxoo啪啪120秒动态图| 国产真实伦视频高清在线观看| 精品人妻视频免费看| 2022亚洲国产成人精品| 国产成人精品久久久久久| 小说图片视频综合网站| 熟妇人妻久久中文字幕3abv| av在线老鸭窝| 级片在线观看| 久久久久久久久久久丰满| 尤物成人国产欧美一区二区三区| 欧美成人精品欧美一级黄| 国产精品伦人一区二区| 亚洲精品国产av成人精品| 性插视频无遮挡在线免费观看| 日韩高清综合在线| 成年免费大片在线观看| 亚洲五月天丁香| 国产视频首页在线观看| 听说在线观看完整版免费高清| 久久久久久大精品| 26uuu在线亚洲综合色| 菩萨蛮人人尽说江南好唐韦庄 | 国产精品无大码| 免费电影在线观看免费观看| 日韩精品有码人妻一区| 看非洲黑人一级黄片| 日本免费a在线| 久久草成人影院| 色综合色国产| 一边亲一边摸免费视频| 久久精品久久久久久久性| 天天一区二区日本电影三级| 丰满人妻一区二区三区视频av| 国产精华一区二区三区| 在线播放无遮挡| 在线观看av片永久免费下载| 高清av免费在线| 能在线免费看毛片的网站| 亚洲精品乱码久久久久久按摩| 日韩精品青青久久久久久| 又粗又爽又猛毛片免费看| 黄片wwwwww| 日韩制服骚丝袜av| 久久久久久久久大av| 卡戴珊不雅视频在线播放| 免费看av在线观看网站| 91狼人影院| 国内精品美女久久久久久| 九九久久精品国产亚洲av麻豆| 美女xxoo啪啪120秒动态图| 国产精品美女特级片免费视频播放器| 国产成人a区在线观看| 伦理电影大哥的女人| 成年版毛片免费区| 哪个播放器可以免费观看大片| 综合色av麻豆| 51国产日韩欧美| 最近最新中文字幕大全电影3| 赤兔流量卡办理| 日韩国内少妇激情av| 亚洲经典国产精华液单| 日本免费一区二区三区高清不卡| 日本与韩国留学比较| 少妇丰满av| 久久久久久伊人网av| 中国国产av一级| 精品欧美国产一区二区三| 美女内射精品一级片tv| 国内精品宾馆在线| 久久精品国产亚洲av天美| 国产久久久一区二区三区| 人人妻人人看人人澡| 1000部很黄的大片| 97超视频在线观看视频| 色吧在线观看| 长腿黑丝高跟| 久久综合国产亚洲精品| 男女视频在线观看网站免费| 免费看av在线观看网站| 日韩欧美在线乱码| 天天躁日日操中文字幕| 日本免费a在线| 淫秽高清视频在线观看| 最近视频中文字幕2019在线8| 一个人看的www免费观看视频| 国产精品一区二区在线观看99 | 免费人成在线观看视频色| 久久亚洲国产成人精品v| 亚洲无线观看免费| 亚洲精华国产精华液的使用体验| 亚洲综合精品二区| 亚洲国产色片| 99久国产av精品国产电影| 国产成人aa在线观看| 99热网站在线观看| 国产精品人妻久久久影院| 最新中文字幕久久久久| 亚洲av电影在线观看一区二区三区 | 91在线精品国自产拍蜜月| 在现免费观看毛片| 国产视频内射| 波多野结衣巨乳人妻| 亚洲精品乱码久久久久久按摩| 久久精品久久精品一区二区三区| 99热精品在线国产| 日日撸夜夜添| 18禁动态无遮挡网站| 麻豆久久精品国产亚洲av| 久久99热这里只频精品6学生 | 国产精品av视频在线免费观看| 中文乱码字字幕精品一区二区三区 | 夫妻性生交免费视频一级片| 听说在线观看完整版免费高清| 国产在视频线在精品| 亚洲精品乱码久久久久久按摩| 男女视频在线观看网站免费| 国产亚洲精品av在线| 久久久成人免费电影| 亚洲国产精品成人久久小说| 老司机影院毛片| 美女xxoo啪啪120秒动态图| 99热这里只有是精品50| 26uuu在线亚洲综合色| 国产淫片久久久久久久久| 国产成人freesex在线| 亚洲一级一片aⅴ在线观看| 人妻系列 视频| 波野结衣二区三区在线| 少妇裸体淫交视频免费看高清| 国产大屁股一区二区在线视频| 午夜福利在线在线| 国产精品熟女久久久久浪| 欧美人与善性xxx| 97超视频在线观看视频| 免费看日本二区| 寂寞人妻少妇视频99o| 一夜夜www| 国产一区有黄有色的免费视频 | av免费在线看不卡| 国产精品伦人一区二区| 麻豆久久精品国产亚洲av| 国产黄片视频在线免费观看| 国产午夜精品一二区理论片| 最近最新中文字幕免费大全7| 免费看av在线观看网站| 中文天堂在线官网| 最后的刺客免费高清国语| 看黄色毛片网站| 色噜噜av男人的天堂激情| 人妻少妇偷人精品九色| av.在线天堂| 日本爱情动作片www.在线观看| 亚洲在线观看片| 精品久久久久久久久亚洲| 中文乱码字字幕精品一区二区三区 | 一级黄色大片毛片| 69av精品久久久久久| 免费观看精品视频网站| 亚洲av成人精品一二三区| 国产成人aa在线观看| 色网站视频免费| 嫩草影院精品99| 国产在视频线在精品| 2021天堂中文幕一二区在线观| 美女cb高潮喷水在线观看| 日韩国内少妇激情av| 久久精品影院6| 一卡2卡三卡四卡精品乱码亚洲| 国产爱豆传媒在线观看| 亚洲va在线va天堂va国产| 尾随美女入室| 日韩大片免费观看网站 | 一区二区三区高清视频在线| 亚洲高清免费不卡视频| 女人久久www免费人成看片 | 欧美日韩一区二区视频在线观看视频在线 | 色综合色国产| 欧美性感艳星| 在线播放无遮挡| 五月玫瑰六月丁香| 亚洲天堂国产精品一区在线| 最新中文字幕久久久久| 亚洲精品456在线播放app| 麻豆久久精品国产亚洲av| 亚洲五月天丁香| 亚洲性久久影院| АⅤ资源中文在线天堂| 国产精品麻豆人妻色哟哟久久 | 一边摸一边抽搐一进一小说| 国产精品一区二区三区四区免费观看| 中国国产av一级| 国产探花在线观看一区二区| 亚洲国产欧美在线一区| 国产一区有黄有色的免费视频 | 国产成人福利小说| 国产一区有黄有色的免费视频 | 爱豆传媒免费全集在线观看| 欧美成人免费av一区二区三区| 日韩精品青青久久久久久| 免费观看的影片在线观看| 不卡视频在线观看欧美| 久久久精品94久久精品| 欧美一级a爱片免费观看看| 男女下面进入的视频免费午夜| 国产精品一二三区在线看| 永久免费av网站大全| 97热精品久久久久久| 色综合色国产| 嫩草影院新地址| 欧美潮喷喷水| 亚洲自偷自拍三级| 特大巨黑吊av在线直播| 欧美一级a爱片免费观看看| 免费看光身美女| 国产免费一级a男人的天堂| 国产精品人妻久久久影院| 欧美xxxx性猛交bbbb| 亚洲,欧美,日韩| 日日撸夜夜添| 国产淫片久久久久久久久| 日韩在线高清观看一区二区三区| 亚洲精品乱码久久久久久按摩| 一夜夜www| 中文在线观看免费www的网站| 日本免费在线观看一区| 国产黄a三级三级三级人| 一级黄片播放器| 国产探花极品一区二区| 亚洲av男天堂| 久久久久网色| 国产午夜福利久久久久久| 能在线免费看毛片的网站| 国产精品国产高清国产av| 欧美一区二区亚洲| 欧美高清成人免费视频www| 国产av不卡久久| 尤物成人国产欧美一区二区三区| 亚洲av.av天堂| 蜜桃久久精品国产亚洲av| 久久国产乱子免费精品| 国产精品国产三级国产专区5o | 极品教师在线视频| 91av网一区二区| 国产精品一二三区在线看| 久久欧美精品欧美久久欧美| 国产淫片久久久久久久久| 国产午夜福利久久久久久| 丰满少妇做爰视频| 欧美区成人在线视频| 国产精品久久久久久av不卡| 国产精品一区二区三区四区免费观看| 亚洲欧美日韩卡通动漫| 国产精品国产高清国产av| 少妇裸体淫交视频免费看高清| 欧美高清成人免费视频www| 有码 亚洲区| 啦啦啦观看免费观看视频高清| 丰满人妻一区二区三区视频av| 精品久久久久久成人av| 免费播放大片免费观看视频在线观看 | 色5月婷婷丁香| 国产精品爽爽va在线观看网站| 亚洲丝袜综合中文字幕| 一级毛片电影观看 | 久久99精品国语久久久| 欧美xxxx性猛交bbbb| 男的添女的下面高潮视频| 在线免费十八禁| 色网站视频免费| 亚洲高清免费不卡视频| 国产白丝娇喘喷水9色精品| 国产黄色小视频在线观看| kizo精华| 搡老妇女老女人老熟妇| 中文资源天堂在线| 免费观看性生交大片5| 久久久久国产网址| 免费搜索国产男女视频| 内射极品少妇av片p| 成年女人永久免费观看视频| 99热这里只有精品一区| 亚洲av中文av极速乱| 国产精品一区二区性色av| 亚洲国产精品sss在线观看| 国产精品女同一区二区软件| 亚洲国产精品久久男人天堂| 成年女人看的毛片在线观看| 狠狠狠狠99中文字幕| 日本一本二区三区精品| 深夜a级毛片| videossex国产| 中文字幕av在线有码专区| 免费观看a级毛片全部| 亚洲欧美日韩高清专用| www.av在线官网国产| 精品一区二区免费观看| 久久久久久大精品| 欧美另类亚洲清纯唯美| 久久亚洲国产成人精品v| 大话2 男鬼变身卡| 久久久精品欧美日韩精品| 日本三级黄在线观看| 国产av在哪里看| 一级毛片我不卡| 尾随美女入室| 久久久久久伊人网av| 男人和女人高潮做爰伦理| 18+在线观看网站| 婷婷六月久久综合丁香| 亚洲国产色片| 99久久九九国产精品国产免费| 九色成人免费人妻av| 国产91av在线免费观看| 汤姆久久久久久久影院中文字幕 | 日日啪夜夜撸| 国产精华一区二区三区| 精品酒店卫生间| 成年女人永久免费观看视频| 国产高清三级在线| 日本wwww免费看| 最近2019中文字幕mv第一页| 午夜福利在线观看免费完整高清在| 91久久精品国产一区二区成人| 国产伦一二天堂av在线观看| 欧美一区二区亚洲| 久久鲁丝午夜福利片| 日韩成人av中文字幕在线观看| 日本熟妇午夜| 两个人视频免费观看高清| 国产毛片a区久久久久| 毛片一级片免费看久久久久| 插逼视频在线观看| 亚洲最大成人手机在线| 国产免费一级a男人的天堂| 成人性生交大片免费视频hd| 2022亚洲国产成人精品| 久久草成人影院| 男人舔女人下体高潮全视频| av线在线观看网站| 黑人高潮一二区| 国产激情偷乱视频一区二区| 少妇裸体淫交视频免费看高清| 99久久九九国产精品国产免费| 最近手机中文字幕大全| 日韩欧美 国产精品| 免费在线观看成人毛片| 中国国产av一级| 在现免费观看毛片| 午夜免费男女啪啪视频观看| 国产免费一级a男人的天堂| 精品免费久久久久久久清纯| 久久精品国产鲁丝片午夜精品| 亚洲国产精品合色在线| 免费电影在线观看免费观看| 97人妻精品一区二区三区麻豆| 亚洲自偷自拍三级| 成年免费大片在线观看| 精品人妻一区二区三区麻豆| 婷婷色麻豆天堂久久 | 久久午夜福利片| 国产色婷婷99| 男人舔奶头视频| 男人和女人高潮做爰伦理| 国产亚洲精品av在线| 国产精品一及| 亚洲国产成人一精品久久久| 欧美日韩综合久久久久久| 精品午夜福利在线看| 久久精品国产亚洲网站| 成年版毛片免费区| 精品午夜福利在线看| 国产大屁股一区二区在线视频| 天天躁夜夜躁狠狠久久av| 18禁在线播放成人免费| 亚洲人成网站在线播| 欧美人与善性xxx| 国产三级在线视频| 91在线精品国自产拍蜜月| 久99久视频精品免费| 日本黄色视频三级网站网址| 97在线视频观看| 亚洲国产成人一精品久久久| 久久99蜜桃精品久久| videossex国产| 国产激情偷乱视频一区二区| 国产精品av视频在线免费观看| 一级av片app| 九九在线视频观看精品| 淫秽高清视频在线观看| 国产久久久一区二区三区| 欧美日韩精品成人综合77777| 亚洲精品影视一区二区三区av| 国产精品一区二区三区四区免费观看| 日本欧美国产在线视频| 国产一级毛片七仙女欲春2| 国产69精品久久久久777片| 国产精品国产三级专区第一集| 99热这里只有精品一区| 男女下面进入的视频免费午夜| 大又大粗又爽又黄少妇毛片口| 国产成人免费观看mmmm| 久久久久免费精品人妻一区二区| 综合色丁香网| 国产精品久久久久久久电影| 亚洲av免费高清在线观看| 亚洲成人精品中文字幕电影| 久久精品久久久久久久性| 丰满人妻一区二区三区视频av| 日本三级黄在线观看| 久久久久久久午夜电影| 中文字幕av在线有码专区| 六月丁香七月| 亚洲在久久综合| 久久久久久大精品| 秋霞伦理黄片| 91精品伊人久久大香线蕉| 久久精品国产亚洲av涩爱| 一本久久精品| 身体一侧抽搐| 99久国产av精品| 欧美日韩精品成人综合77777| 免费观看精品视频网站| 一边亲一边摸免费视频| 精品酒店卫生间| 一个人观看的视频www高清免费观看| 亚洲国产精品合色在线| 97热精品久久久久久| 国产精品国产三级专区第一集| 欧美丝袜亚洲另类| 亚洲精品亚洲一区二区| 桃色一区二区三区在线观看| 男女啪啪激烈高潮av片| 一卡2卡三卡四卡精品乱码亚洲| 3wmmmm亚洲av在线观看| 精品国内亚洲2022精品成人| 丰满乱子伦码专区| av福利片在线观看| 能在线免费看毛片的网站| 亚洲精品,欧美精品| 桃色一区二区三区在线观看| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 九九爱精品视频在线观看| 久久欧美精品欧美久久欧美| 热99re8久久精品国产| 看免费成人av毛片| 少妇裸体淫交视频免费看高清| 日日摸夜夜添夜夜添av毛片| 大香蕉97超碰在线| 国产高潮美女av| 亚洲18禁久久av| 成人一区二区视频在线观看| 2022亚洲国产成人精品| 国产一区有黄有色的免费视频 | 老师上课跳d突然被开到最大视频| 男女下面进入的视频免费午夜| 夜夜爽夜夜爽视频| 日韩三级伦理在线观看| 精品99又大又爽又粗少妇毛片| 搡女人真爽免费视频火全软件| 尤物成人国产欧美一区二区三区| 国产精品,欧美在线| 成人美女网站在线观看视频| av又黄又爽大尺度在线免费看 | h日本视频在线播放| 草草在线视频免费看| 精品久久久久久成人av| 欧美三级亚洲精品| 欧美成人一区二区免费高清观看| 色综合色国产| 三级国产精品片| 欧美日本亚洲视频在线播放| 色尼玛亚洲综合影院| 最新中文字幕久久久久| 午夜精品国产一区二区电影 | 噜噜噜噜噜久久久久久91| 久久久久久久亚洲中文字幕| av视频在线观看入口| 免费看光身美女| 国产美女午夜福利| 三级经典国产精品| 午夜免费激情av| av天堂中文字幕网| 天堂√8在线中文| 国产人妻一区二区三区在| 精品久久久久久成人av| 尾随美女入室| 综合色丁香网| 大香蕉久久网| 日韩欧美精品免费久久| 国内精品美女久久久久久| 丝袜美腿在线中文| 久久精品熟女亚洲av麻豆精品 | 成人亚洲欧美一区二区av| 最后的刺客免费高清国语| 亚洲精品日韩av片在线观看| 国产91av在线免费观看| 亚洲av.av天堂| 久久久a久久爽久久v久久| 日本猛色少妇xxxxx猛交久久|