白癜风趁早治疗 http://baidianfeng.39.net/a_zhiliao/230507/13694704.html选自IEEEXplore机器之心编译不久之前，IEEEXplore出了一期GuestEditorial探讨深度学习在医疗图像中的应用。点击阅读原文可查看英文原文。导语深度学习在数据分析方面正在呈现持续增长的趋势，并被称为年的10项突破性技术之一[1]。它是对神经网络的改进，包含更多的计算层，从而能够在数据中进行更高层次的抽象和预测[2]。到目前为止，它正成为通用成像和计算机视觉领域领先的机器学习工具。特别地，卷积神经网络（CNN）已经被证明是可用于许多计算机视觉任务的有利工具。深度卷积神经网络（DeepCNN）可以自动学习从原始数据（例如，图像）获得的中级和高级的抽象概念。最近的结果表明，从CNN提取的通用描述符（genericdescriptor）在自然图像的对象识别和定位中非常有效。世界各地的医学图像分析组正在迅速进入该领域，并将CNN和其他的深度学习方法应用于广泛的应用当中。许多不错的成果正在涌现。在医学成像领域，疾病的准确诊断或评估取决于图像采集和图像解译。近年来，随着技术的发展，设备能以更快地速率和更强大的分辨率来收集数据，这大大提高了图像采集的质量。然而，计算机技术对图像解译的改进，才刚刚开始。目前，大部分的医学图像解译都由医生来进行。可是，人类进行的图像解译因为其主观性、不同解读者的较大变化和产生的疲劳，往往是片面的。许多诊断任务需要初始搜索过程来检测异常，并且量化测量值和时间的变化。计算机化的工具，尤其是图像分析和机器学习，对改善诊断起到关键作用。他们通过帮助识别需要治疗的部位来支持专家工作流程。在这些工具当中，深度学习被迅速的证实了其作为基础的优越性，能够提高准确性。它还开辟了数据分析的新领域，并以一种前所未有的速度不断发展。A.历史上的网络神经网络和深度学习背后的基本思想已经存在了几十年了[3]。它们通常只有几个层。反向传播算法的出现，使得神经网络的性能有了显著的提升。然而，性能仍然不够。其他分类器逐渐发展开来，包括决策树、boosting和支持向量机。其中每一个都已经应用于医学图像分析，特别是用于检测异常，而且他们也在分割（segmentation）等其它一些相关领域得到了应用。尽管取得了这样的发展，相对高的假阳性率依然很普遍。早在年在Sahiner等人的工作中，CNN（卷积神经网络）就被应用在医学图像处理上[4]。在这项工作中，从乳腺X光照片中提取包含活检证实的肿块或者正常组织的ROIs（RegionofInterests）。CNN包含一个输入层、两个隐含层和一个输出层以及使用的反向传播。在这个前GPU时代，训练时间被描述为「计算密集型」，但是却没有给出具体的时间。年，CNN被用于肺结节检测[5]。年，CNN被用于检测乳腺X光照片上的微钙化[6]。一个典型的用于图像处理的CNN，其结构包含一连串卷积滤波器的层，夹杂着一连串数据压缩或者池化层。卷积滤波器（convolutionfilter）处理输入图像的一小块。类似于人脑的低级像素处理，卷积滤波器能够检测相关度高的图像特征，比如可以代表明显边缘的线或圆（例如用于器官检测）或者圆形（比如用于圆形的物体，像结肠息肉），然后是高阶特征比如局部或是全局形状和纹理。CNN的输出通常是一个或多个概率或者图像对应的类别的标签。卷积滤波器能够直接从训练的数据当中学习。这正是人们所需要的，因为它降低了对很花费时间的手动标记特征的需求。如果不用卷积滤波器，那么在预处理图像阶段，针对特定应用设计的滤波器以及一些需要计算的特征是离不开这些人工特征的。CNN是高度并行化的算法。与单独的的CPU处理相比，使用CNN的实用性一大部分是来源于图像处理单元（GPU）促成的巨大的速度提升（大约40倍）。早期描述GPU对训练的CNN和其他机器学习技术价值的论文是在年发表的[8]。在医学图像处理中，GPU首先被引入用于分割、重建和配准，然后才是机器学习[9]，[10]。有趣的是，虽然Eklundetal.[10]在他们的年的论文中广泛谈论卷积，但卷积神经网络和深度学习一点也没有被提及。这突出了深度学习的重大改革对医学图像处理研究的迅速调整有多迅猛。B.今天的网络由于CNN的新变体的开发和针对现代GPU优化的高效并行求解器（parallelsolver）的出现，深度神经网络最近已经获得了相当大的商业利益。CNN的强大得益于它的深层架构，这让它在不同抽象级别上，提取一系列辨别特征。从头开始训练一个深层的卷积神经网络是一个巨大的挑战。首先，CNN需要很大数量的标记数据，而这这在医学领域很难达到。这是因为请专家来进行标记是很昂贵的，并且疾病（比如，病变）的样本十分稀少。其次，训练深度CNN需要大量的计算和存储器资源，没有它们的话，训练的过程会非常耗时。第三，训练一个深度CNN经常由于过拟合和收敛问题而变得复杂化，通常需要对网络的学习参数或者架构重复调整以确保所有的层都以相当的速度学习。鉴于以上的困难，一些被称为「迁移学习（transferlearning）」和「微调（fine-tuning）」的新的学习方案被提出来提供解决方案，并且被越来越多的人接受。这些将在II-C节进一步讨论。C.医学领域的网络领域深度学习（domainDeeplearning）方法当应用到大型训练集时最为有效，但在医学领域，并不总能获得大的数据集。因此，我们面临着一系列重大的挑战，这包括，(a)深度神经网络可以被有效地用在医学任务上吗？(b)从一般意象到医学领域的转移学习是否相关？(c)我们是否可以单独依靠学习的特征，还是可以将它们与人工制作的功能结合起来完成任务？这种关于医学成像的深度学习的IEEE成像(IEEE-TMI)特殊问题集中在机器学习这个新时代的进展以及它在医学图像处理领域的角色。这个问题介绍了最近CNN和其他深度学习应用在医疗任务方面的成就。它包含来自世界各地的各种调查员的50份论文中挑选出来的18篇文章，这对于IEEE的特殊问题是一个非常高的数字，并且这是在从论文征集公布到提交截止日期的时长比以往要短的时间内实现的。论文集中在从检测到类别化（例如，病变检测、图像分割、形状建模、图像配准）等这些大量传统的任务，也有一些开放的新颖的应用领域。其中还包括了一些重点在网络探索的工作，并给出了对不同的任务、参数、训练集应该如何选择架构的看法。期刊论文和主题概述A.病变检测电脑辅助检测(CAD/Computer-aideddetection)是一个完善的医学图像分析领域，非常适合深度学习。在CAD的标准方法[11]中，通过监督方法或者经典的图像处理技术（比如滤波和数学形态学（mathematicalmorphology））检测病变。候选病变通常被分割出来，而且通常由大量的手动设计的特征来描述。分类器将特征向量与对应的候选部位是实际病变的概率做映射。使用深度学习而不是手动设计的特征的直接方法是训练在以候选病变为中心的一组图像图像数据上操作的CNN。本期的几篇文章都使用了这种方法。为了获取3D胸部CT扫描的肺结节的候选以及提取以这些候选部位为中心的9个不同的方向的2D贴片，Setioetal.[12]结合了先前开发的三种候选探测器。结合不同的CNN来对每个候选者进行分类。报告显示，与先前公布的用于相同任务的经典CAD的结果相比，这种方法取得了微小的进步。Rothetal.[13]将CNN用于改进3个现有的CAD系统用于检测结肠镜CT中结肠息肉的存在，以及利用体CT，检测硬化脊柱转移和扩大淋巴结。他们也用了先前开发的候选检测器和3个正交方向的2D贴片，以及多达个随机旋转视图。随机旋转的「2.5D」视图是一种从原始3D数据分解图像表示的方法。随后通过整合在2.5D视图上的CNN的预测结果来获得额外的准确度提升。对于所有使用CNN的3个CAD系统，病变检测的灵敏度改善了13–34%，这表明该方法是通用的可调整的。若使用非深度学习分类器(例如支持向量机族)，几乎不可能达到这种程度的改进。Douetal.[14]从磁敏性加权磁共振成像扫描中检测出脑微出血。他们使用3DCNN并且用CNN替换原始的候选检测阶段，提出了两阶段方法。报告提出，在相同的数据集上重新实施、训练和测试，他们的3DCNN的结果与现有文献中的其他经典的方法和2DCNN方法相比，有了改进。Sirinukunwattanaetal.[15]在组织病理学图像中检测和分类细胞核。他们使用一个CNN，使用一个小块作为输入，而不仅仅是预测小块的中心像素是否是细胞核，他们对输出进行建模，每个细胞核中心会产生一个峰值而其他地方较为平坦。这种空间约束的CNN与在测试阶段中的重叠贴片的融合相结合，产生了比先前基于CNN和基于经典特征方法的先前提出的技术更好的结果。Anthimopoulosetal.[16]侧重于利用2D胸部CT扫描图像来探测间质性肺病的模式。他们是研究这个问题的三个组之一(其他两个是Shinetal.[17]和vanTulderetal.[18]）使用来自[19]的公开数据集。他们训练CNN，让其能区分32×32个像素的小块属于7个类中的哪一个。报告显示，他们的结果达到了比以前三个使用手动设计特征的方法更高的精度。在研究此类问题的其他几篇文章中，病变检测也是一个感兴趣的话题，但是这些文章的侧重点在于更广泛或专注于特定的方法问题。这些论文将在下面简要谈论。B.分割和形状建模对于一个由个心脏超声检查构成的大数据集，Ghesu等人结合了深度学习和边缘区空间学习来做物体探测和分割。「大参数空间的有效探索」与一种增强深度网络中的稀疏性的方法的结合增强了计算效率，且该方法相较于同一个小组发布的另一个参考方法将平均分割误差减少了13.5%。有三组研究人员
转载请注明地址:http://www.ihgqp.com/zjjs/19071.html
