深度学习在医学图像分析中的应用研究

2020-11-24代金华集宁师范学院

数码世界 2020年1期

代金华集宁师范学院

人工智能最早可追溯到二十世纪，近现代人工智能有关理论被不断完善，继而成为神经网络基础。深度学习是一种模式识别方法，主要特点表现为：整体程序均能够被训练。组成深度学习框架的主要结构有：其一，卷积神经网络；其二，深度信念网络；其三，堆叠自动编码器。随着CT、B 超、X 光片以及MRI 等医学图像的大量产生以及相关影像设备的日益完善，临床中形成大量的医学图像资源。深度学习作为诊断医学图像的重要技术手段，能够显著提高正确诊断率。

一、深度学习方法

深度学习方法随着人工智能的兴起而蓬勃发展，深度学习是一种数据表示学习或机器学习，人工智能包含机器学习，机器学习包含数据表示学习。有关研究显示，深度学习技术通过深层网络结构特征与组合低层网络结构特征形成更为抽象且复杂的深层表示，最终学习到数据集的本质内容。深度学习方法从原始特点角度入手，自动学习高级特征网络组合，再从一系列医学图像中提取特征，从输入层输入信息，再进入到隐层，最后在输出层输出有关信息。深度学习方法包括多种深度模型，主要有：其一，深度信念网络模型；其二，提出图像局部特点的多层次可训练深度网络模型。传统医学图像的诊断与判别依靠经验丰富的医生，在此过程中受到医生主观影响因素较多，因此极易出现误诊情况。而深度学习能够有效减少医生主观因素影响，可自动学习图像中隐藏的特征，除此之外，深度学习模型能够有效利用非线性层结构，建立相应模型，因此被广泛应用在医学图像分析之中。

二、深度学习方法在医学图像分割中的有关研究

医学图像分析时的首要步骤是：医学图像分割。根据医学图像的基础特点（边缘、灰度、颜色以及纹理等）将图像分割成若干个具有独特性质的区域，再提取出感兴趣的目标区域，再进行图像分析。有学者认为，深度学习方法在图像分割过程中相比起传统分割方法能够显著提高精确度。究其原因在于深度学习方法能够用于多种医学图像的分析之中，如：（1）利用卷积神经网络与三维全连接条件随机场循环神经网络对膀胱CT 图像进行自动分割；（2）基于端到端的深度卷积神经网络对多模态脑部图像进行分割；（3）利用堆叠式独立子空间分析网络深度学习框架自动分割前列腺MRI 图像等。除此之外，深度学习方法在癌症病灶的医学图像分割中占据重要地位，对癌症患者的具体诊断有着重要的参考价值。在快速扫描深度卷积神经网络下，对乳腺癌病理图像进行分割可有效去除繁杂的计算过程，将深度卷积神经网络方法用于良性与恶性结直肠癌腺体的分割中，能够为医学图像提供更为准确的结果。有学者利用多模态卷积神经网络特征提取技术对脑部肿瘤MRI 图像加以分割，可充分利用各个模态之间的有效信息，去除不相干信息干扰，适应多变的脑部肿瘤MRI 图像。面对较为复杂的医学图像，有学者研究一种U 网络深度学习方法，训练两个维度U网建立乳房和肿瘤组织分割结构，从而能够精确计算乳房密度。还有学者将稀疏自动编码器将医学图像分割成字类型，使得每一种颜色能够被独立执行，从而有效处理组织类别问题。

三、深度学习方法在计算机辅助诊断中的有关研究

计算机辅助诊断主要指的是通过以下几种方法结合计算机的相关分析辅助发现潜藏病灶，从而有效提高正确诊断率：其一，医学图像处理技术方法；其二，影像学处理方法等。有学者认为，基于深度学习方法的计算机辅助诊断技术应用在早期疾病的诊断和评估过程中具有重要的参考价值。在深度信念网络模型分类方法下，构建适合自动化解剖结构的大脑区域体系，可有效区分健康人群以及患病人群的病理医学图像，准确率高达88%。有学者认为，基于深度信念网络模型分类深度学习方法下，可为准确诊断老年痴呆患者提供思路，自动分析老年痴呆患者的受损技能，从而节约成本。国外学者将深度信念网络模型方法用于小细胞癌患者以及正常人群肺图像分类中，研究结果显示准确率高达95%。