基于深度學(xué)習(xí)的醫(yī)學(xué)圖像研究綜述

吳揚

摘要：近年來，隨著醫(yī)學(xué)影像數(shù)據(jù)規(guī)模不斷擴大，醫(yī)學(xué)圖像進入大數(shù)據(jù)時代。在海量數(shù)據(jù)驅(qū)動下，人工智能理論及應(yīng)用逐漸走向成熟，促使深度學(xué)習(xí)算法成為研究熱點。在醫(yī)學(xué)領(lǐng)域中，傳統(tǒng)的人工閱片診斷方式已無法滿足迅速增長醫(yī)學(xué)影像的診斷需求，因此，基于深度學(xué)習(xí)的自動化醫(yī)學(xué)影像分析備受關(guān)注。文章主要對深度學(xué)習(xí)算法在醫(yī)學(xué)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(guān)鍵詞：深度學(xué)習(xí);醫(yī)學(xué)圖像分割;醫(yī)學(xué)圖像分類識別;計算機輔助診斷

中圖分類號：TP183文獻標(biāo)志碼：A

文章編號：1009-3044（2020）19-0174-03

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

1 引言

醫(yī)學(xué)圖像在臨床疾病預(yù)測、分類和治療中扮演著極其重要角色。隨著“工業(yè)4.0”的推進和實施，互聯(lián)網(wǎng)技術(shù)不斷革新，深度學(xué)習(xí)理論逐漸成熟，廣泛應(yīng)用于數(shù)據(jù)分析計算機視覺等領(lǐng)域。深度學(xué)習(xí)技術(shù)在自然圖像分析中取得巨大突破致使其應(yīng)用醫(yī)學(xué)圖像處理領(lǐng)域成為可能，近年來已有很多的學(xué)者在醫(yī)學(xué)圖像分析中使用深度學(xué)習(xí)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?，F(xiàn)在DL在醫(yī)學(xué)圖像分割、分類識別以及計算機輔助診斷方面發(fā)揮著極其重要的作用。本文簡要介紹深度學(xué)習(xí)算法，重點闡述其在醫(yī)學(xué)圖像分析中的研究進展，最后總結(jié)和展望。

2 深度學(xué)習(xí)綜述

深度學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域的一個研究方向，它是一種表示學(xué)習(xí)算法，由復(fù)雜的多個非線性轉(zhuǎn)換結(jié)構(gòu)組成，包括多個中間處理層，可自動對數(shù)據(jù)執(zhí)行高級抽象。通常，深度神經(jīng)網(wǎng)絡(luò)是前饋網(wǎng)絡(luò)，具有一層或多層隱藏層，類似于淺層神經(jīng)，可以為極其復(fù)雜的非線性問題提供建模。然而較淺層網(wǎng)絡(luò)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(xué)習(xí)模型種類繁多，如深度置信網(wǎng)絡(luò)，網(wǎng)絡(luò)中每層都是典型的受限玻爾茲曼機，均可以進行無監(jiān)督逐層訓(xùn)練;卷積神經(jīng)網(wǎng)絡(luò)極大減少了需要優(yōu)化的參數(shù)數(shù)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(huán)神經(jīng)網(wǎng)絡(luò)是一類序列數(shù)據(jù)輸入，信息流單向傳遞，具備反饋連接及記憶性神經(jīng)網(wǎng)絡(luò)，適用于提取序列非線性數(shù)據(jù)的時序特征。

當(dāng)今醫(yī)學(xué)領(lǐng)域中，醫(yī)學(xué)圖像的診斷方式仍然是人工閱片，人工閱片依賴醫(yī)生的臨床經(jīng)驗、工作量十分巨大、主觀因素對診斷結(jié)果影響較大，易產(chǎn)生誤診等情況。這些問題表明對尋求更高效的醫(yī)學(xué)圖像分析方法勢在必行。DL從特定的大量樣本數(shù)據(jù)中學(xué)習(xí)知識（數(shù)據(jù)中的內(nèi)在規(guī)律和表示關(guān)系等），然后將學(xué)習(xí)所得的知識再作用于現(xiàn)實場景中解決實際問題，可以減少主觀因素的干擾;DL能夠?qū)W習(xí)到數(shù)據(jù)多個抽象層次的特征，可以構(gòu)造更加復(fù)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(lǐng)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(lǐng)域取得突破性進展。這些特點使得深度學(xué)習(xí)方法應(yīng)用與醫(yī)學(xué)圖像分析成為可能。

3 深度學(xué)習(xí)在醫(yī)學(xué)圖像分割研究進展

在醫(yī)學(xué)圖像處理和分析的過程中，首要任務(wù)是對醫(yī)學(xué)圖像進行分割。最終目標(biāo)是將圖像分為多個域間具有差異性、域內(nèi)呈現(xiàn)相似性的區(qū)域，確定目標(biāo)區(qū)域，為后續(xù)的圖像研究、醫(yī)生診斷提供重要的依據(jù)。近年來，較傳統(tǒng)的基于閾值、邊緣、區(qū)域、圖論等的圖像分割方法，基于深度學(xué)習(xí)的圖像分割方式在醫(yī)學(xué)或者一些復(fù)雜的圖像分割中明顯提高了分割的精度，具有顯著優(yōu)勢。

基于深度學(xué)習(xí)方法的圖像分割技術(shù)可處理多種成像類型醫(yī)學(xué)圖像。Ciresan等[1]采用方形滾動窗口的方式向CNN網(wǎng)絡(luò)輸入數(shù)據(jù)，將深度學(xué)習(xí)用于了電子顯微鏡圖像中對生物神經(jīng)膜進行分割;潘麗艷等[2]采用了基于AlexNet的全卷積網(wǎng)絡(luò)并利用遷移學(xué)習(xí)對兒童肺炎X胸片進行肺區(qū)域分割，構(gòu)建了一個兒童肺炎類型自動判別模型，該模型判別準(zhǔn)確率可達(dá)80.48%;Wang等[3]在U-Net結(jié)構(gòu)中添加水平連接，提出了一種自適應(yīng)全密度神經(jīng)網(wǎng)絡(luò)用于CT圖像分割，該網(wǎng)絡(luò)能夠自適應(yīng)地從各層提取特征、使用集成訓(xùn)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(chǔ)上，采用sparse block模塊、結(jié)合空間注意力機制以三維方式實現(xiàn)的混合空洞卷積的改進方法，該模型較其他模型參數(shù)量最少，可以快速數(shù)據(jù)達(dá)到較精確的分割結(jié)果。

基于深度學(xué)習(xí)方法的圖像分割技術(shù)可處理多種分割任務(wù)醫(yī)學(xué)圖像。Manu Goyal采用了混合損失函數(shù)與遷移學(xué)習(xí)，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(xiàn)了角膜、黑色素瘤、良性病變?nèi)N目標(biāo)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(yīng)2D-3D集合的3D醫(yī)學(xué)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(xiàn)突出;Zhang等[6]通過Inception-Res替換標(biāo)準(zhǔn)卷積塊，實現(xiàn)了一種CNN中集成了Inception-Res新穎U-net架構(gòu)，增加了網(wǎng)絡(luò)寬度、加速了學(xué)習(xí)，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?jǐn)?shù)。

4 深度學(xué)習(xí)在醫(yī)學(xué)圖像分類識別研究進展

基于深度學(xué)習(xí)的圖像分類識別一直以來都是醫(yī)學(xué)圖像分析領(lǐng)域中一個十分重要的研究方向。圖像分類識別問題的本質(zhì)是數(shù)據(jù)擬合的過程，是通過訓(xùn)練好的能夠模擬人腦分析理解數(shù)據(jù)的網(wǎng)絡(luò)模型[7]，對輸入的檢查圖像數(shù)據(jù)進行預(yù)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(yī)生診斷病情及后續(xù)圖像研究。目前，相當(dāng)多的研究證實，較傳統(tǒng)的研究方法基于深度學(xué)習(xí)的圖像分類識別方式在處理的敏感性、真陰性和準(zhǔn)確性上都具有明顯優(yōu)勢。

如今，卷積神經(jīng)網(wǎng)絡(luò)被廣泛使用，已成為圖像分類識別中的主流技術(shù)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(zhuǎn)化成了多態(tài)特征組合，利用了深度學(xué)習(xí)技術(shù)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(jīng)網(wǎng)絡(luò)自動化的提取乳腺X線圖像中區(qū)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(xué)習(xí)白內(nèi)障圖像中的低維特征，隨后進一步采用RNN學(xué)習(xí)高維特征，實現(xiàn)對白內(nèi)障的定性定量分析;Gijs等采用RBM代替標(biāo)準(zhǔn)的濾波組，將CNN與RBM融合構(gòu)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(xué)習(xí)在計算機輔助診斷研究進展

1959年學(xué)者Ledley等將數(shù)學(xué)模型引入臨床醫(yī)學(xué)研究，開啟了計算機輔助診斷的先河（ Computer-aided Diagnosis，CAD）。CAD主要應(yīng)用于醫(yī)學(xué)鄰域，它通過將影像技術(shù)、圖像處理技術(shù)計算機技術(shù)以及其他技術(shù)手段相結(jié)合對醫(yī)學(xué)影像數(shù)據(jù)處理、分析、計算，輔助檢測病灶，提高醫(yī)生診斷準(zhǔn)確性。大量研究結(jié)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(yīng)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(zhǔn)確性，具有良好的泛化性。李靜[10]探索研究了非監(jiān)督堆疊自編碼（Stacked Autoencod-er，SAE）、三維卷積神經(jīng)網(wǎng)絡(luò)及遷移學(xué)習(xí)等不同深度學(xué)習(xí)方法，并利用不同模態(tài)的DCE-MRI影像數(shù)據(jù)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(jié)果;趙雷[11]采用生成式對抗網(wǎng)絡(luò)生成三維立體肺結(jié)節(jié)，提出了一種設(shè)計三維卷積網(wǎng)絡(luò)診斷算法，用于肺結(jié)節(jié)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(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測算法，該算法根據(jù)CT圖像中肺結(jié)節(jié)的特點改進了三維ResNeXt推薦網(wǎng)絡(luò)，進而融合了多尺度分類網(wǎng)絡(luò)，消除了初次檢測中的假陽性結(jié)果，并在LUNA16數(shù)據(jù)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(gòu)建一個與醫(yī)學(xué)影像相關(guān)度高的自然圖像子集進行遷移學(xué)習(xí)，提出了一種基于輔助域遷移學(xué)習(xí)的CNN網(wǎng)絡(luò)建構(gòu)，用于阿茲海默癥的影像輔助診斷;梁翠霞等[14]將傳統(tǒng)圖像特征與深度學(xué)習(xí)特征相結(jié)合，采用多權(quán)重分類器融合的方式構(gòu)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(wǎng)絡(luò)腫瘤分類性能;Liu等將多維深度學(xué)習(xí)方法應(yīng)用于甲狀腺疾病SPECT圖像的輔助診斷中，并對標(biāo)準(zhǔn)的CNN、Inception，VGG16及RNN四種DL模型對比測試分類性能，測試結(jié)果顯示準(zhǔn)確性為92.9%_96.2%，AUC為97.8%-99.6%;Mansour等采用基于卷積神經(jīng)網(wǎng)絡(luò)的AlexNet模型，采用了預(yù)處理、GMM的概念區(qū)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(yōu)化處理措施，提出了糖尿病性視網(wǎng)膜病變（ DR）CAD解決方案，并與基于SIFT的DR對比分析。

6 結(jié)論

深度學(xué)習(xí)已在許多領(lǐng)域取得突破性的成就。即使在醫(yī)學(xué)影像數(shù)據(jù)日益復(fù)雜化背景下，DL憑借其可以自動從大量樣本數(shù)據(jù)中提取深層、抽象的特異性特征，可以對醫(yī)學(xué)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(zhǔn)確率。大量的研究結(jié)果及醫(yī)學(xué)圖像分析挑戰(zhàn)賽結(jié)果表明，DL相關(guān)方法在處理多類圖像、復(fù)雜圖像上較非DL方法突顯了其領(lǐng)先水平的性能。但是，該領(lǐng)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(xiàn)復(fù)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(nèi)無法令臨床醫(yī)生信服與接受;由于醫(yī)學(xué)圖像數(shù)據(jù)的特殊性，導(dǎo)致醫(yī)學(xué)數(shù)據(jù)集仍是十分稀缺，而標(biāo)注清晰完整數(shù)據(jù)集少之又少;海量醫(yī)學(xué)圖像的分析;對硬件需求較高等;隨著DL技術(shù)的不斷改進與完善，DL在醫(yī)學(xué)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(xué)習(xí)的兒童肺炎病原學(xué)類型判別模型[Jl-中國數(shù)字醫(yī)學(xué)，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(xué)習(xí)的心臟MR圖像分割方法研究[D].長春：吉林大學(xué)，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(yī)學(xué)圖像分析深度學(xué)習(xí)方法研究與挑戰(zhàn)[J].自動化學(xué)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(xué)習(xí)的乳腺癌早期診斷研究[D].杭州：杭州電子科技大學(xué)，2017.

[11]趙雷.基于深度學(xué)習(xí)的肺結(jié)節(jié)的檢測和診斷[D].天津：天津工業(yè)大學(xué)，2018.

[12]謝未央，陳彥博.基于卷積神經(jīng)網(wǎng)絡(luò)的CT圖像肺結(jié)節(jié)檢測[Jl.計算機工程與設(shè)計，2019，40（12）.

[13]顧久馭.基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的醫(yī)學(xué)影像輔助診斷研究[D].濟南：山東大學(xué)，2018.

[14]梁翠霞，李明強，等，基于深度學(xué)習(xí)特征的乳腺腫瘤分類模 型評估[Jl.南方醫(yī)科大學(xué)學(xué)報，2019，39（1）.

[15]艾飛玲，馬圓，田思佳，等.深度學(xué)習(xí)在醫(yī)學(xué)圖像分析中的研究進展[J）.北京生物醫(yī)學(xué)工程，2018，37（4）：433-438.

【通聯(lián)編輯：梁書】