代金華 集寧師范學(xué)院
人工智能最早可追溯到二十世紀(jì),近現(xiàn)代人工智能有關(guān)理論被不斷完善,繼而成為神經(jīng)網(wǎng)絡(luò)基礎(chǔ)。深度學(xué)習(xí)是一種模式識(shí)別方法,主要特點(diǎn)表現(xiàn)為:整體程序均能夠被訓(xùn)練。組成深度學(xué)習(xí)框架的主要結(jié)構(gòu)有:其一,卷積神經(jīng)網(wǎng)絡(luò);其二,深度信念網(wǎng)絡(luò);其三,堆疊自動(dòng)編碼器。隨著CT、B 超、X 光片以及MRI 等醫(yī)學(xué)圖像的大量產(chǎn)生以及相關(guān)影像設(shè)備的日益完善,臨床中形成大量的醫(yī)學(xué)圖像資源。深度學(xué)習(xí)作為診斷醫(yī)學(xué)圖像的重要技術(shù)手段,能夠顯著提高正確診斷率。
深度學(xué)習(xí)方法隨著人工智能的興起而蓬勃發(fā)展,深度學(xué)習(xí)是一種數(shù)據(jù)表示學(xué)習(xí)或機(jī)器學(xué)習(xí),人工智能包含機(jī)器學(xué)習(xí),機(jī)器學(xué)習(xí)包含數(shù)據(jù)表示學(xué)習(xí)。有關(guān)研究顯示,深度學(xué)習(xí)技術(shù)通過(guò)深層網(wǎng)絡(luò)結(jié)構(gòu)特征與組合低層網(wǎng)絡(luò)結(jié)構(gòu)特征形成更為抽象且復(fù)雜的深層表示,最終學(xué)習(xí)到數(shù)據(jù)集的本質(zhì)內(nèi)容。深度學(xué)習(xí)方法從原始特點(diǎn)角度入手,自動(dòng)學(xué)習(xí)高級(jí)特征網(wǎng)絡(luò)組合,再?gòu)囊幌盗嗅t(yī)學(xué)圖像中提取特征,從輸入層輸入信息,再進(jìn)入到隱層,最后在輸出層輸出有關(guān)信息。深度學(xué)習(xí)方法包括多種深度模型,主要有:其一,深度信念網(wǎng)絡(luò)模型;其二,提出圖像局部特點(diǎn)的多層次可訓(xùn)練深度網(wǎng)絡(luò)模型。傳統(tǒng)醫(yī)學(xué)圖像的診斷與判別依靠經(jīng)驗(yàn)豐富的醫(yī)生,在此過(guò)程中受到醫(yī)生主觀影響因素較多,因此極易出現(xiàn)誤診情況。而深度學(xué)習(xí)能夠有效減少醫(yī)生主觀因素影響,可自動(dòng)學(xué)習(xí)圖像中隱藏的特征,除此之外,深度學(xué)習(xí)模型能夠有效利用非線性層結(jié)構(gòu),建立相應(yīng)模型,因此被廣泛應(yīng)用在醫(yī)學(xué)圖像分析之中。
醫(yī)學(xué)圖像分析時(shí)的首要步驟是:醫(yī)學(xué)圖像分割。根據(jù)醫(yī)學(xué)圖像的基礎(chǔ)特點(diǎn)(邊緣、灰度、顏色以及紋理等)將圖像分割成若干個(gè)具有獨(dú)特性質(zhì)的區(qū)域,再提取出感興趣的目標(biāo)區(qū)域,再進(jìn)行圖像分析。有學(xué)者認(rèn)為,深度學(xué)習(xí)方法在圖像分割過(guò)程中相比起傳統(tǒng)分割方法能夠顯著提高精確度。究其原因在于深度學(xué)習(xí)方法能夠用于多種醫(yī)學(xué)圖像的分析之中,如:(1)利用卷積神經(jīng)網(wǎng)絡(luò)與三維全連接條件隨機(jī)場(chǎng)循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)膀胱CT 圖像進(jìn)行自動(dòng)分割;(2)基于端到端的深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)多模態(tài)腦部圖像進(jìn)行分割;(3)利用堆疊式獨(dú)立子空間分析網(wǎng)絡(luò)深度學(xué)習(xí)框架自動(dòng)分割前列腺M(fèi)RI 圖像等。除此之外,深度學(xué)習(xí)方法在癌癥病灶的醫(yī)學(xué)圖像分割中占據(jù)重要地位,對(duì)癌癥患者的具體診斷有著重要的參考價(jià)值。在快速掃描深度卷積神經(jīng)網(wǎng)絡(luò)下,對(duì)乳腺癌病理圖像進(jìn)行分割可有效去除繁雜的計(jì)算過(guò)程,將深度卷積神經(jīng)網(wǎng)絡(luò)方法用于良性與惡性結(jié)直腸癌腺體的分割中,能夠?yàn)獒t(yī)學(xué)圖像提供更為準(zhǔn)確的結(jié)果。有學(xué)者利用多模態(tài)卷積神經(jīng)網(wǎng)絡(luò)特征提取技術(shù)對(duì)腦部腫瘤MRI 圖像加以分割,可充分利用各個(gè)模態(tài)之間的有效信息,去除不相干信息干擾,適應(yīng)多變的腦部腫瘤MRI 圖像。面對(duì)較為復(fù)雜的醫(yī)學(xué)圖像,有學(xué)者研究一種U 網(wǎng)絡(luò)深度學(xué)習(xí)方法,訓(xùn)練兩個(gè)維度U網(wǎng)建立乳房和腫瘤組織分割結(jié)構(gòu),從而能夠精確計(jì)算乳房密度。還有學(xué)者將稀疏自動(dòng)編碼器將醫(yī)學(xué)圖像分割成字類(lèi)型,使得每一種顏色能夠被獨(dú)立執(zhí)行,從而有效處理組織類(lèi)別問(wèn)題。
計(jì)算機(jī)輔助診斷主要指的是通過(guò)以下幾種方法結(jié)合計(jì)算機(jī)的相關(guān)分析輔助發(fā)現(xiàn)潛藏病灶,從而有效提高正確診斷率:其一,醫(yī)學(xué)圖像處理技術(shù)方法;其二,影像學(xué)處理方法等。有學(xué)者認(rèn)為,基于深度學(xué)習(xí)方法的計(jì)算機(jī)輔助診斷技術(shù)應(yīng)用在早期疾病的診斷和評(píng)估過(guò)程中具有重要的參考價(jià)值。在深度信念網(wǎng)絡(luò)模型分類(lèi)方法下,構(gòu)建適合自動(dòng)化解剖結(jié)構(gòu)的大腦區(qū)域體系,可有效區(qū)分健康人群以及患病人群的病理醫(yī)學(xué)圖像,準(zhǔn)確率高達(dá)88%。有學(xué)者認(rèn)為,基于深度信念網(wǎng)絡(luò)模型分類(lèi)深度學(xué)習(xí)方法下,可為準(zhǔn)確診斷老年癡呆患者提供思路,自動(dòng)分析老年癡呆患者的受損技能,從而節(jié)約成本。國(guó)外學(xué)者將深度信念網(wǎng)絡(luò)模型方法用于小細(xì)胞癌患者以及正常人群肺圖像分類(lèi)中,研究結(jié)果顯示準(zhǔn)確率高達(dá)95%。
綜上所述,將深度學(xué)習(xí)方法應(yīng)用在醫(yī)學(xué)圖像分割和計(jì)算機(jī)輔助診斷中,結(jié)果顯示深度學(xué)習(xí)方法在其中發(fā)揮重大作用。