深度学习技术在医学影像中的应用

XUE Song SHI Kuang-yu

近十年来，人工智能（artificial intelligence，AI）在医学领域发展迅速，很大程度上得益于机器学习（machine learning，ML）技术的发展与进步，而机器学习也成为医学领域创新的新引擎。医学成像领域中，机器学习对图像重组、病变分割、计算机辅助检测（computer-aided detection，CADe）和诊断（computer-aided diagnosis，CADx）等方面的优化产生了积极影响［1,2］。与传统的医学图像分析技术相比，机器学习技术不需要由医学及技术领域专家为特定分析制定明确相关的功能。相反，机器学习开发了一种自学模式，可从培训数据集中自动查找或学习相关技术要素［3］。此外，计算机深度学习（deep learning，DL）算法的开发［4］促进了机器学习在医学领域的应用并扩大了其应用规模［5］。三个融合技术的进步促使深度学习开发：（1）海量数据（大数据）的可用性；（2）中央处理单元（central processing units，CPU）和图形处理单元（graphics processing units，GPU）的进步；（3）学习算法的创新［6,7］。与传统机器学习技术的功能很大程度上受其浅层结构的限制不同，深度学习模仿人脑的深层组织结构可处理并表达来自多层面的信息。因此，深度学习能够从输入的原始数据中总结出其特征性的表现形式，也就是通过构建这种可总结并分析多层次原始输入数据功能的深层结构体系，使深度学习具有似类网络学习能力的高度复杂功能，目前常用的深度学习技术包括：深层神经网络［卷积神经网络（convolutional neural network，CNN）和循环神经网络（recurrent neural network，RNN）］、深层生成网络［如生成对抗网络（generative adversarial network，GAN）、堆叠自动编码器（stacked auto-encoder，SAE）、深度玻尔兹曼计算机（deep Boltzmann machine，DBM）和深度信仰网络（deep belief network，DBN）］［8］。深度学习技术已在多种医学影像技术中被应用，如MRI［9］、淀粉样蛋白PET到结构MR 图像的交叉模态转换［10］、肺CT 图像分析［11］、低剂量CT 降噪等［12］。

由于上述技术的发展，深度学习在医学图像分析领域得到了广泛应用，特别在图像分类中深度学习技术表现突出。图像分类主要应用包括：显像/检测分类［13］和病变分期［14］，图像检测（包括解剖学定位及病变定位），其中解剖结构（如器官或标靶）的定位一直是临床工作的关键步骤［15］。深度学习还能自动检测图像内的异常或可疑区域，帮助放射科医生对病变定位［16,17］；图像分割是定量分析临床参数（如体积和形状）的前提，特别是在心脏或神经成像及分析中。图像分割通过识别目标的轮廓或内部的像素或空间域从而减少图像中需要分析的区域，使深度学习相关的方法得以广泛应用［18］；图像配准是图像分析的常见预处理步骤，可确保不同模式的图像都与相同的坐标系一致［19］；医学图像重组是一项具有挑战性的技术，主要难点包括：缺乏对反转变换函数的准确定义和噪点或伪影的干扰。深度学习可通过神经网络训练将感官输入传输的原始数据到转化且输出图像［20-22］；精确重组对于医学图像校正来说至关重要，尤其是在PET 定量重组时需要光子衰减校正的情况下，深度学习使用MR 图像来评估校正的结果［23］，甚至不需额外数据输入［24］；医学图像合成为由隐私问题带来的对数据安全的要求及诊断的医疗图像缺失引起的数据稀缺提供了解决方案，AI 可能有助于跨模态影像合成［10］或数据扩增［25］；深度学习还可能有利于其他医疗应用，如基于内容的图像检索［26］和手术机器人［27］。

AI 有助于各种医学成像模式和应用领域的发展，深度学习技术已应用于：MRI［28,29］、显微镜［30］、CT［31,32］、超声［33］、X 线［34］、乳腺检查［35,36］、彩色胃镜［37］、多模态显像［38］等。同时，在不同的医学领域也有应用：如神经［39-41］、眼科［37,42］、肺部［43,44］、胸［36,45］、心脏［29,46］、腹部［47-49］和肌肉骨骼［50,51］等。

在未来几十年内，深度学习技术可能对医学图像分析的进步有着积极影响，然而仍有若干挑战有待解决。由于监督性学习在深度学习技术突破中起重要作用，因此培训数据集的严重不足往往是深度学习技术发展的主要障碍，而且其应用具有黑盒子的特征，在不了解内部表性情况下很难解释其工作方式。