深度學習在醫學圖像分析中的應用研究

代金華 集寧師范學院

人工智能最早可追溯到二十世紀，近現代人工智能有關理論被不斷完善，繼而成為神經網絡基礎。深度學習是一種模式識別方法，主要特點表現為：整體程序均能夠被訓練。組成深度學習框架的主要結構有：其一，卷積神經網絡；其二，深度信念網絡；其三，堆疊自動編碼器。隨著CT、B 超、X 光片以及MRI 等醫學圖像的大量產生以及相關影像設備的日益完善，臨床中形成大量的醫學圖像資源。深度學習作為診斷醫學圖像的重要技術手段，能夠顯著提高正確診斷率。

一、深度學習方法

深度學習方法隨著人工智能的興起而蓬勃發展，深度學習是一種數據表示學習或機器學習，人工智能包含機器學習，機器學習包含數據表示學習。有關研究顯示，深度學習技術通過深層網絡結構特征與組合低層網絡結構特征形成更為抽象且復雜的深層表示，最終學習到數據集的本質內容。深度學習方法從原始特點角度入手，自動學習高級特征網絡組合，再從一系列醫學圖像中提取特征，從輸入層輸入信息，再進入到隱層，最后在輸出層輸出有關信息。深度學習方法包括多種深度模型，主要有：其一，深度信念網絡模型；其二，提出圖像局部特點的多層次可訓練深度網絡模型。傳統醫學圖像的診斷與判別依靠經驗豐富的醫生，在此過程中受到醫生主觀影響因素較多，因此極易出現誤診情況。而深度學習能夠有效減少醫生主觀因素影響，可自動學習圖像中隱藏的特征，除此之外，深度學習模型能夠有效利用非線性層結構，建立相應模型，因此被廣泛應用在醫學圖像分析之中。

二、深度學習方法在醫學圖像分割中的有關研究

醫學圖像分析時的首要步驟是：醫學圖像分割。根據醫學圖像的基礎特點（邊緣、灰度、顏色以及紋理等）將圖像分割成若干個具有獨特性質的區域，再提取出感興趣的目標區域，再進行圖像分析。有學者認為，深度學習方法在圖像分割過程中相比起傳統分割方法能夠顯著提高精確度。究其原因在于深度學習方法能夠用于多種醫學圖像的分析之中，如：（1）利用卷積神經網絡與三維全連接條件隨機場循環神經網絡對膀胱CT 圖像進行自動分割；（2）基于端到端的深度卷積神經網絡對多模態腦部圖像進行分割；（3）利用堆疊式獨立子空間分析網絡深度學習框架自動分割前列腺MRI 圖像等。除此之外，深度學習方法在癌癥病灶的醫學圖像分割中占據重要地位，對癌癥患者的具體診斷有著重要的參考價值。在快速掃描深度卷積神經網絡下，對乳腺癌病理圖像進行分割可有效去除繁雜的計算過程，將深度卷積神經網絡方法用于良性與惡性結直腸癌腺體的分割中，能夠為醫學圖像提供更為準確的結果。有學者利用多模態卷積神經網絡特征提取技術對腦部腫瘤MRI 圖像加以分割，可充分利用各個模態之間的有效信息，去除不相干信息干擾，適應多變的腦部腫瘤MRI 圖像。面對較為復雜的醫學圖像，有學者研究一種U 網絡深度學習方法，訓練兩個維度U網建立乳房和腫瘤組織分割結構，從而能夠精確計算乳房密度。還有學者將稀疏自動編碼器將醫學圖像分割成字類型，使得每一種顏色能夠被獨立執行，從而有效處理組織類別問題。

三、深度學習方法在計算機輔助診斷中的有關研究

計算機輔助診斷主要指的是通過以下幾種方法結合計算機的相關分析輔助發現潛藏病灶，從而有效提高正確診斷率：其一，醫學圖像處理技術方法；其二，影像學處理方法等。有學者認為，基于深度學習方法的計算機輔助診斷技術應用在早期疾病的診斷和評估過程中具有重要的參考價值。在深度信念網絡模型分類方法下，構建適合自動化解剖結構的大腦區域體系，可有效區分健康人群以及患病人群的病理醫學圖像，準確率高達88%。有學者認為，基于深度信念網絡模型分類深度學習方法下，可為準確診斷老年癡呆患者提供思路，自動分析老年癡呆患者的受損技能，從而節約成本。國外學者將深度信念網絡模型方法用于小細胞癌患者以及正常人群肺圖像分類中，研究結果顯示準確率高達95%。

四、結束語

綜上所述，將深度學習方法應用在醫學圖像分割和計算機輔助診斷中，結果顯示深度學習方法在其中發揮重大作用。