深度学习在医学影像学中的应用及研究进展
深度学习在医学影像学中的应用及研究进展
摘要:在大数据时代背景下,医学影像数据也迅速积累,基于神经网络的深度
学习算法日渐成熟,特别是卷积神经网络,已经迅速成为分析医学图像的重要方法,为实现医学影像的自动分析及辅助诊断提供了新的契机。本文综述深度学习
算法在医学影像学的最新研究进展。首先,介绍深度学习算法的模型及框架,及
其在医学影像学中的应用,并从深度学习应用最多的几个类型及领域具体分析研
究进展,最后,总结研究动向,预测研究趋势,并提出深度学习在医学影像研究
中可能存在的问题及建议。
1 研究背景
当前,数据已经渗透到每一个行业领域,且每时每刻都会产新鲜数据,人们对于海量数
据的挖掘、运用以及决策,比以往更加紧迫。大数据包括5个特点:Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值)、Veracity(真实性)。生物医学也正加
速进入大数据时代【1-3】,而医学影像大数据则是量级最大的,是由DR、CT、MR等医学影像设备所产生并存储在PACS系统内的大规模、高增速、多结构、高价值和真实准确的影像
数据集合,与医院信息系统(HIS)大数据、检验信息系统(LIS)大数据和电子病历(EMR)等同属于医疗大数据的范畴。
随着技术的发展,医学影像设备能以更快地速率和更强大的分辨率来收集数据,这些数
据大多要进行人工分析,人工分析的缺点很明显,容易导致漏诊和误诊。另外,目前我国医
学影像数据的年增长率约为30%,而放射科医师数量的年增长率约为4.1%,其间的差距是23.9%,放射科医师数量增长远不及影像数据增长。这意味着放射科医师在未来处理影像数据的压力会越来越大,甚至远远超过负荷。利用分析工具对许多诊断任务进行初始过滤来筛选
异常,并可以量化测量值和时间的变化,对改善诊断质量和减轻医生负担起到至关重要的作用,在这些工具当中,深度学习被迅速的证实了其优越性及准确性,并以一种前所未有的速
度不断发展【4】。
本文首先介绍深度学习算法的模型及框架,及其在医学影像学中的应用,并从深度学习
应用最多的几个类型及领域具体分析研究进展,最后,总结研究动向,预测研究趋势,并提
出深度学习在医学影像研究中可能存在的问题及建议。
2 深度学习算法的模型
深度学习算法是对神经网络的进一步改进,包含了更多的计算层,在医学影像处理中使
用到的深度学习模型主要有,SAE、RBM、DBN、CNN、U-net及FCNN。
2.1神经网络
神经网络是一种模仿生物神经网络的结构和功能的数学模型,是深度学习算法的基础架构。神经网络由大量的节点(或称神经元)之间相互联接构成,每个节点代表一种特定的输
出函数,称为激励函数(activation function),每两个节点间的连接都代表一个对于通过该
连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。1986年由Rumelhart和McClelland为首的科学家提出的BP神经网络,即多层前馈型神经网络,是最经典、使用最广泛的神经网络模型。很长时间以来,神经网络都难以训练,直到2006年Hinton和bengio展
示了一种无监督学习及有监督学习堆叠起来的多层深度神经网络,得到了很好的性能表现【5】。神经网络已经被用于解决各种各样的问题,例如机器视觉和语音识别,这些问题都
是很难被传统基于规则的编程所解决的【6】。
2.2 AE、RBM及DBN
自动编码器(AE)【7】、限制玻尔兹曼机(RBM)【8】以及RBM堆叠后得到的深度信
念网络(DBN)都是在深度学习领域广泛使用的基础性结构。它们都作为无监督学习的模型,通过最小化重构误差,提取系统的重要特征,自动对输入数据进行分类;更重要的是,通过
多层的堆叠和逐层的预训练,层叠式自动编码器和深度信念网络都可以在后续监督学习的过
程中,帮助整个神经网络更好更快地收敛到最小值点,完成分类任务。
2.3 卷积神经网络CNN