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