标题 | 基于深度学习的医学图像研究综述 |
范文 | 吴扬 摘要:近年来,随着医学影像数据规模不断扩大,医学图像进入大数据时代。在海量数据驱动下,人工智能理论及应用逐渐走向成熟,促使深度学习算法成为研究热点。在医学领域中,传统的人工阅片诊断方式已无法满足迅速增长医学影像的诊断需求,因此,基于深度学习的自动化医学影像分析备受关注。文章主要对深度学习算法在医学图像分割、分类识别、计算机辅助诊断方面的研究进展予以综述。 关键词:深度学习;医学图像分割;医学图像分类识别;计算机辅助诊断 中图分类号:TP183文献标志码:A 文章编号:1009-3044(2020)19-0174-03 开放科学(资源服务)标识码(OSID): 1 引言 医学图像在临床疾病预测、分类和治疗中扮演着极其重要角色。随着“工业4.0”的推进和实施,互联网技术不断革新,深度学习理论逐渐成熟,广泛应用于数据分析计算机视觉等领域。深度学习技术在自然图像分析中取得巨大突破致使其应用医学图像处理领域成为可能,近年来已有很多的学者在医学图像分析中使用深度学习方法,减少了假阳性诊断、降低了误诊,极大提高了诊断的正确性和效率。现在DL在医学图像分割、分类识别以及计算机辅助诊断方面发挥着极其重要的作用。本文简要介绍深度学习算法,重点阐述其在医学图像分析中的研究进展,最后总结和展望。 2 深度学习综述 深度学习是机器学习领域的一个研究方向,它是一种表示学习算法,由复杂的多个非线性转换结构组成,包括多个中间处理层,可自动对数据执行高级抽象。通常,深度神经网络是前馈网络,具有一层或多层隐藏层,类似于浅层神经,可以为极其复杂的非线性问题提供建模。然而较浅层网络多出的层次可以对模型进行更高层次的抽象,从而提高模型的能力。深度学习模型种类繁多,如深度置信网络,网络中每层都是典型的受限玻尔兹曼机,均可以进行无监督逐层训练;卷积神经网络极大减少了需要优化的参数数量,可接受二维或三维图像块输入,适用于抓取视觉的局部信息;循环神经网络是一类序列数据输入,信息流单向传递,具备反馈连接及记忆性神经网络,适用于提取序列非线性数据的时序特征。 当今医学领域中,医学图像的诊断方式仍然是人工阅片,人工阅片依赖医生的临床经验、工作量十分巨大、主观因素对诊断结果影响较大,易产生误诊等情况。这些问题表明对寻求更高效的医学图像分析方法势在必行。DL从特定的大量样本数据中学习知识(数据中的内在规律和表示关系等),然后将学习所得的知识再作用于现实场景中解决实际问题,可以减少主观因素的干扰;DL能够学习到数据多个抽象层次的特征,可以构造更加复杂的模型;DL已在语音处理、图像处理、机器翻译、自然语言处理等领域展示出了卓越的性能,尤其是以自然图像为处理对象的计算机视觉领域取得突破性进展。这些特点使得深度学习方法应用与医学图像分析成为可能。 3 深度学习在医学图像分割研究进展 在医学图像处理和分析的过程中,首要任务是对医学图像进行分割。最终目标是将图像分为多个域间具有差异性、域内呈现相似性的区域,确定目标区域,为后续的图像研究、医生诊断提供重要的依据。近年来,较传统的基于阈值、边缘、区域、图论等的图像分割方法,基于深度学习的图像分割方式在医学或者一些复杂的图像分割中明显提高了分割的精度,具有显著优势。 基于深度学习方法的图像分割技术可处理多种成像类型医学图像。Ciresan等[1]采用方形滚动窗口的方式向CNN网络输入数据,将深度学习用于了电子显微镜图像中对生物神经膜进行分割;潘丽艳等[2]采用了基于AlexNet的全卷积网络并利用迁移学习对儿童肺炎X胸片进行肺区域分割,构建了一个儿童肺炎类型自动判别模型,该模型判别准确率可达80.48%;Wang等[3]在U-Net结构中添加水平连接,提出了一种自适应全密度神经网络用于CT图像分割,该网络能够自适应地从各层提取特征、使用集成訓练输出、进而提取图像中更多的边缘信息;陈星[4]提出了在Dense Net和U-Net基础上,采用sparse block模块、结合空间注意力机制以三维方式实现的混合空洞卷积的改进方法,该模型较其他模型参数量最少,可以快速数据达到较精确的分割结果。 基于深度学习方法的图像分割技术可处理多种分割任务医学图像。Manu Goyal采用了混合损失函数与迁移学习,提出了一种使用FCN进行多类语义分割的端到端解决方案,实现了角膜、黑色素瘤、良性病变三种目标的自动分割;Maria等[5]综合了体积信息与模型大小提出了一种FCN自适应2D-3D集合的3D医学图像分割方法,提高了自动搜索效率及模型的性能,在前列腺和心脏分割上表现突出;Zhang等[6]通过Inception-Res替换标准卷积块,实现了一种CNN中集成了Inception-Res新颖U-net架构,增加了网络宽度、加速了学习,并且在Kaggle肺部CT分割、MICCAI BraTS 2017脑肿瘤分割上都取得了0.9857以上的平均Dice分数。 4 深度学习在医学图像分类识别研究进展 基于深度学习的图像分类识别一直以来都是医学图像分析领域中一个十分重要的研究方向。图像分类识别问题的本质是数据拟合的过程,是通过训练好的能够模拟人脑分析理解数据的网络模型[7],对输入的检查图像数据进行预测,输出一个描述是否患有某种疾病或某种疾病轻重程度量化分级的诊断变量,以便辅助医生诊断病情及后续图像研究。目前,相当多的研究证实,较传统的研究方法基于深度学习的图像分类识别方式在处理的敏感性、真阴性和准确性上都具有明显优势。 如今,卷积神经网络被广泛使用,已成为图像分类识别中的主流技术之一。如Suk等[8]将特征表示与MRI或PET的多峰信息进行融合转化成了多态特征组合,利用了深度学习技术进行阿尔茨海默氏病( Alzheimers Disease.AD)的诊断及定量分析;Arevalo等采用一种基于混合的卷积神经网络自动化的提取乳腺X线图像中区分性特征,用于乳腺X线图像的定性分类及癌症诊断;如高新庭等[9]使用CNN学习白内障图像中的低维特征,随后进一步采用RNN学习高维特征,实现对白内障的定性定量分析;Gijs等采用RBM代替标准的滤波组,将CNN与RBM融合构建了卷积分类RBM模型,用于肺部CT纹理分级及气道检测。 5 深度学习在计算机辅助诊断研究进展 1959年学者Ledley等将数学模型引入临床医学研究,开启了计算机辅助诊断的先河( Computer-aided Diagnosis,CAD)。CAD主要应用于医学邻域,它通过将影像技术、图像处理技术计算机技术以及其他技术手段相结合对医学影像数据处理、分析、计算,辅助检测病灶,提高医生诊断准确性。大量研究结果证实,基于DL的CAD在疾病的早期检测、评估诊断中都具有较强的参考意义。 在疾病的早期检测中,Mollahosseini等在图像上应用了剪切波变换,提出了一种基于CNN乳腺癌早期检测和前列腺Gleason分级的框架,提高了检测的准确性,具有良好的泛化性。李静[10]探索研究了非监督堆叠自编码(Stacked Autoencod-er,SAE)、三维卷积神经网络及迁移学习等不同深度学习方法,并利用不同模态的DCE-MRI影像数据对乳腺癌早期检测诊断,在灵敏度和特异性均取得良好的实验结果;赵雷[11]采用生成式对抗网络生成三维立体肺结节,提出了一种设计三维卷积网络诊断算法,用于肺结节的早期检测和良恶性诊断;谢未央等[12]提出一种基于三维卷积神经网络的肺结节检测算法,该算法根据CT图像中肺结节的特点改进了三维ResNeXt推荐网络,进而融合了多尺度分类网络,消除了初次检测中的假阳性结果,并在LUNA16数据集验证了算法的可行性。 在疾病的评估诊断中,顾久驭[13]聚类构建一个与医学影像相关度高的自然图像子集进行迁移学习,提出了一种基于辅助域迁移学习的CNN网络建构,用于阿兹海默症的影像辅助诊断;梁翠霞等[14]将传统图像特征与深度学习特征相结合,采用多权重分类器融合的方式构建了一个乳腺肿瘤分类模型,并且深入分析评估了不同DL网络肿瘤分类性能;Liu等将多维深度学习方法应用于甲状腺疾病SPECT图像的辅助诊断中,并对标准的CNN、Inception,VGG16及RNN四种DL模型对比测试分类性能,测试结果显示准确性为92.9%_96.2%,AUC为97.8%-99.6%;Mansour等采用基于卷积神经网络的AlexNet模型,采用了预处理、GMM的概念区域分割、连接组件分析ROL本地化、PCA和LDA的特征选择、SVM分类等多级优化处理措施,提出了糖尿病性视网膜病变( DR)CAD解决方案,并与基于SIFT的DR对比分析。 6 结论 深度学习已在许多领域取得突破性的成就。即使在医学影像数据日益复杂化背景下,DL凭借其可以自动从大量样本数据中提取深层、抽象的特异性特征,可以对医学影像定性定量分析,改善了临床诊断方式,极大提高了诊断效率及准确率。大量的研究结果及医学图像分析挑战赛结果表明,DL相关方法在处理多类图像、复杂图像上较非DL方法突显了其领先水平的性能。但是,该领域仍存在许多问题尚待研究,如DL方法仍处于初级阶段,对实现复杂功能的需求仍有很大的难度;DL本身存在着不可解释性,短时间内无法令临床医生信服与接受;由于医学图像数据的特殊性,导致医学数据集仍是十分稀缺,而标注清晰完整数据集少之又少;海量医学图像的分析;对硬件需求较高等;随着DL技术的不断改进与完善,DL在医学图像处理与分析中将大有作为。 参考文献: [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]潘丽艳,梁会营.基于深度学习的儿童肺炎病原学类型判别模型[Jl-中国数字医学,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]陈星.基于深度学习的心脏MR图像分割方法研究[D].長春:吉林大学,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,刘国才,谷珊珊,等.医学图像分析深度学习方法研究与挑战[J].自动化学报,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]李静.基于深度学习的乳腺癌早期诊断研究[D].杭州:杭州电子科技大学,2017. [11]赵雷.基于深度学习的肺结节的检测和诊断[D].天津:天津工业大学,2018. [12]谢未央,陈彦博.基于卷积神经网络的CT图像肺结节检测[Jl.计算机工程与设计,2019,40(12). [13]顾久驭.基于卷积神经网络和迁移学习的医学影像辅助诊断研究[D].济南:山东大学,2018. [14]梁翠霞,李明强,等,基于深度学习特征的乳腺肿瘤分类模 型评估[Jl.南方医科大学学报,2019,39(1). [15]艾飞玲,马圆,田思佳,等.深度学习在医学图像分析中的研究进展[J).北京生物医学工程,2018,37(4):433-438. 【通联编辑:梁书】 |
随便看 |
|
科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。