朱軒宇　朱東弼

摘 要

闡述了深度學習的定義與現狀。介紹了深度學習的幾種算法如深度神經網絡DNN、卷積神經網絡CNN和循環(huán)神經網絡RNN。重點分析了深度學習算法在醫(yī)學影像識別領域的應用，如識別乳腺癌、肺癌、皮膚癌、前列腺癌和糖尿病視網膜病變診斷的應用情況。

關鍵詞

機器學習;深度學習;影像識別

中圖分類號： R445;TP18? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.10.33

0 引言

深度學習屬于機器學習的子領域，其需要大量的訓練數據和強大的運算能力。由于早些年受到算法理論、數據、硬件的制約，深度學習只能處理簡單的線性分類問題。后來，隨著大數據的發(fā)展以及大規(guī)模硬件加速設備的出現，GPU運算能力的不斷提升。特別是2012年ImageNET舉辦的圖像分類競賽，深度學習系統AlexNet以碾壓的態(tài)勢獲得了冠軍，使得深度學習這一算法被大家熟知，深度學習的發(fā)展也開起了人工智能的新時代。

1 深度學習的定義與算法分類

1.1 深度學習的定義

深度學習是機器學習的一個重要分支。神經網絡最開始是仿照生物神經元的機制。深度學習通過學習一種深層非線性網絡結構，只需簡單的網絡結構即可實現復雜函數的逼近，并且能從大量的樣本中學習到樣本集的特征，克服了淺層算法的局限性。它能模仿人類思考機制來識別數據例如圖像、文本和聲音等。

1.2 深度學習的算法分類

1.2.1 卷積神經網絡CNN

卷積神經網絡是目前深度學習領域中最常見的一種算法，它屬于前饋神經網絡并且可以直接輸入原始圖像避免了人工對圖像預處理的過程。它包括輸入層、卷積層、激活函數、池化層、全連接層。其中卷積層和池化層是卷積神經網絡最大的優(yōu)勢。

1.2.2 深度神經網絡DNN

隨著對神經網絡的需求越來越高，神經網絡的層數也越來越深，隨之而來的就是求得的最優(yōu)函數很容易陷入局部最優(yōu)解的陷阱和出現梯度消失的現象。為了解決這些問題深度神經網絡的研究由此展開是一個很廣的概念可以理解為包含多個隱藏層的神經網絡。從函數上來講用ReLU、maxout等作為傳輸函數代替了sigmoid，從結構上講它和多層感知機是沒有任何區(qū)別的。按順序可分為輸入層、隱藏層和輸出層。

1.2.3 循環(huán)神經網絡RNN

隨著時代的發(fā)展，提出了一些與時間序列有關的問題。由于需要考慮上一次的狀態(tài)時，其他一些算法很難滿足人們的需求，循環(huán)神經網絡（RNN）便隨之孕育而生。循環(huán)神經網絡擁有環(huán)路結構，這樣的結構可以使它接受自身的信息把當前的信息傳遞給下一時刻擁有了短時間的“記憶”功能。

2 深度學習算法在醫(yī)學影像領域的應用

2.1 乳腺癌的識別

在女性惡性腫瘤發(fā)病率排行榜上，乳腺癌位居榜首。Albayrak等人開發(fā)了一種基于深度學習的算法，該算法通過卷積神經網絡（CNN）提取特征，正則化和降維后，支持向量機（SVM）用于正常有絲分裂和非正常有絲分裂細胞的最終分類[1]。用于檢測乳腺組織病理學圖像中的有絲分裂，精度可到96.8%此方法在有絲分裂細胞和非有絲分裂細胞數量不平衡的情況下不能準確地完成。Dhungel等采用結構化支持向量機來建立一個將不同類型的潛在函數結合起來的模型，包括位置的先驗、高斯混合模型和用于乳房X線片質量分割的深度置信網絡[2]。準確率可達96%，程序運行時間短。

2.2 肺癌的識別

深度學習在肺癌的檢測與診斷已經進入了應用的層面，其核心思想就是對CT圖像的識別。Hussein等人提出了一種多視角深度卷積神經網絡，基于三維CT圖像的多視點深度CNN模型判斷肺部結節(jié)的特征。利用中值強度投影產生三個與每個維相對應的二維貼片，然后將貼片串聯成一個三維張量，數據增強后通過高斯回歸判斷腫瘤的良性或惡性[3]。準確率可達82.47%，只有在人工標記的高水平結節(jié)的情況下對于惡性腫瘤的判定可達92.31%準確率較低。Dou等人介紹了一種直接從三維CT圖像中學習的三維卷積神經網絡（3D CNN）能從假陽性減少這一特征檢測肺癌敏感度為94.4%[4]。

2.3 糖尿病視網膜病變

糖尿病視網膜病變（DR）是糖尿病常見并發(fā)癥之一，利用深度學習進行診斷已經取得相當高的準確性。目前已經有基于深度學習的DR診斷系統上市用于臨床實踐。2018年8月，谷歌公司DeepMind團隊提出了一種兩階段深度神經網絡模型用于OCT影像診斷，分別實現了病灶區(qū)域分割和病變等級分類， 并通過不同廠商的OCT成像設備獲取的影像進行驗證，準確率高達95%。

3 結論

隨著“互聯網+”的概念的興起，人工智能已經滲透到人類生活的各個方面。深度學習因其特有的屬性，在很多領域突破了傳統機器學習的瓶頸，特別是在醫(yī)療影像識別領域展現了其強大的識別能力，為醫(yī)生解決看片子壓力，減少誤診，解放優(yōu)質醫(yī)療資源做出了很大的貢獻。隨著深度學習算法不斷發(fā)展，深度學習在將其他醫(yī)療領域如：精確切割病灶，預測心腦血管疾病等方面會有廣泛的應用。

參考文獻

[1]A.Albayrak，G.Bilgin，Mitosis detection using convolutional neural net work based features，in：Proceedings of IEEE Seventeenth International Symposium on Computati onal Intelligence and Informatics（CINTI），2016，pp.000335-000340.

[2]N.Dhungel，G.Carneiro，A.P.Bradley，Deep structured learning for mass seg mentation from mammograms，in：Proceedings of IEEE International Confer ence on Image Processing （ICIP），2015，pp.2950-2954.

[3]S.Hussein，R.Gillies，K.Cao，Q.Song，U.Bagci，TumorNet：Lung Nodule Characteri zation Using Multi-View Convolutional Neural Network with Gaussian Process，in： Proceedings of IEEE 14th International Symposium on Biomedical Imaging （ISBI）， 2017，pp.1007-1010.

[4]Q.Dou，H.Chen，L.Yu，J.Qin，P.-A.Heng，Multilevel contextual 3-D CNNs for false positive reduction in pulmonary nodule detection，IEEE Trans.Biomed.Eng.64（2017） 1558-1567.