代金華 集寧師范學(xué)院

人工智能最早可追溯到二十世紀(jì)，近現(xiàn)代人工智能有關(guān)理論被不斷完善，繼而成為神經(jīng)網(wǎng)絡(luò)基礎(chǔ)。深度學(xué)習(xí)是一種模式識別方法，主要特點表現(xiàn)為：整體程序均能夠被訓(xùn)練。組成深度學(xué)習(xí)框架的主要結(jié)構(gòu)有：其一，卷積神經(jīng)網(wǎng)絡(luò)；其二，深度信念網(wǎng)絡(luò)；其三，堆疊自動編碼器。隨著CT、B 超、X 光片以及MRI 等醫(yī)學(xué)圖像的大量產(chǎn)生以及相關(guān)影像設(shè)備的日益完善，臨床中形成大量的醫(yī)學(xué)圖像資源。深度學(xué)習(xí)作為診斷醫(yī)學(xué)圖像的重要技術(shù)手段，能夠顯著提高正確診斷率。

一、深度學(xué)習(xí)方法

深度學(xué)習(xí)方法隨著人工智能的興起而蓬勃發(fā)展，深度學(xué)習(xí)是一種數(shù)據(jù)表示學(xué)習(xí)或機器學(xué)習(xí)，人工智能包含機器學(xué)習(xí)，機器學(xué)習(xí)包含數(shù)據(jù)表示學(xué)習(xí)。有關(guān)研究顯示，深度學(xué)習(xí)技術(shù)通過深層網(wǎng)絡(luò)結(jié)構(gòu)特征與組合低層網(wǎng)絡(luò)結(jié)構(gòu)特征形成更為抽象且復(fù)雜的深層表示，最終學(xué)習(xí)到數(shù)據(jù)集的本質(zhì)內(nèi)容。深度學(xué)習(xí)方法從原始特點角度入手，自動學(xué)習(xí)高級特征網(wǎng)絡(luò)組合，再從一系列醫(yī)學(xué)圖像中提取特征，從輸入層輸入信息，再進入到隱層，最后在輸出層輸出有關(guān)信息。深度學(xué)習(xí)方法包括多種深度模型，主要有：其一，深度信念網(wǎng)絡(luò)模型；其二，提出圖像局部特點的多層次可訓(xùn)練深度網(wǎng)絡(luò)模型。傳統(tǒng)醫(yī)學(xué)圖像的診斷與判別依靠經(jīng)驗豐富的醫(yī)生，在此過程中受到醫(yī)生主觀影響因素較多，因此極易出現(xiàn)誤診情況。而深度學(xué)習(xí)能夠有效減少醫(yī)生主觀因素影響，可自動學(xué)習(xí)圖像中隱藏的特征，除此之外，深度學(xué)習(xí)模型能夠有效利用非線性層結(jié)構(gòu)，建立相應(yīng)模型，因此被廣泛應(yīng)用在醫(yī)學(xué)圖像分析之中。

二、深度學(xué)習(xí)方法在醫(yī)學(xué)圖像分割中的有關(guān)研究

醫(yī)學(xué)圖像分析時的首要步驟是：醫(yī)學(xué)圖像分割。根據(jù)醫(yī)學(xué)圖像的基礎(chǔ)特點（邊緣、灰度、顏色以及紋理等）將圖像分割成若干個具有獨特性質(zhì)的區(qū)域，再提取出感興趣的目標(biāo)區(qū)域，再進行圖像分析。有學(xué)者認(rèn)為，深度學(xué)習(xí)方法在圖像分割過程中相比起傳統(tǒng)分割方法能夠顯著提高精確度。究其原因在于深度學(xué)習(xí)方法能夠用于多種醫(yī)學(xué)圖像的分析之中，如：（1）利用卷積神經(jīng)網(wǎng)絡(luò)與三維全連接條件隨機場循環(huán)神經(jīng)網(wǎng)絡(luò)對膀胱CT 圖像進行自動分割；（2）基于端到端的深度卷積神經(jīng)網(wǎng)絡(luò)對多模態(tài)腦部圖像進行分割；（3）利用堆疊式獨立子空間分析網(wǎng)絡(luò)深度學(xué)習(xí)框架自動分割前列腺MRI 圖像等。除此之外，深度學(xué)習(xí)方法在癌癥病灶的醫(yī)學(xué)圖像分割中占據(jù)重要地位，對癌癥患者的具體診斷有著重要的參考價值。在快速掃描深度卷積神經(jīng)網(wǎng)絡(luò)下，對乳腺癌病理圖像進行分割可有效去除繁雜的計算過程，將深度卷積神經(jīng)網(wǎng)絡(luò)方法用于良性與惡性結(jié)直腸癌腺體的分割中，能夠為醫(yī)學(xué)圖像提供更為準(zhǔn)確的結(jié)果。有學(xué)者利用多模態(tài)卷積神經(jīng)網(wǎng)絡(luò)特征提取技術(shù)對腦部腫瘤MRI 圖像加以分割，可充分利用各個模態(tài)之間的有效信息，去除不相干信息干擾，適應(yīng)多變的腦部腫瘤MRI 圖像。面對較為復(fù)雜的醫(yī)學(xué)圖像，有學(xué)者研究一種U 網(wǎng)絡(luò)深度學(xué)習(xí)方法，訓(xùn)練兩個維度U網(wǎng)建立乳房和腫瘤組織分割結(jié)構(gòu)，從而能夠精確計算乳房密度。還有學(xué)者將稀疏自動編碼器將醫(yī)學(xué)圖像分割成字類型，使得每一種顏色能夠被獨立執(zhí)行，從而有效處理組織類別問題。

三、深度學(xué)習(xí)方法在計算機輔助診斷中的有關(guān)研究

計算機輔助診斷主要指的是通過以下幾種方法結(jié)合計算機的相關(guān)分析輔助發(fā)現(xiàn)潛藏病灶，從而有效提高正確診斷率：其一，醫(yī)學(xué)圖像處理技術(shù)方法；其二，影像學(xué)處理方法等。有學(xué)者認(rèn)為，基于深度學(xué)習(xí)方法的計算機輔助診斷技術(shù)應(yīng)用在早期疾病的診斷和評估過程中具有重要的參考價值。在深度信念網(wǎng)絡(luò)模型分類方法下，構(gòu)建適合自動化解剖結(jié)構(gòu)的大腦區(qū)域體系，可有效區(qū)分健康人群以及患病人群的病理醫(yī)學(xué)圖像，準(zhǔn)確率高達(dá)88%。有學(xué)者認(rèn)為，基于深度信念網(wǎng)絡(luò)模型分類深度學(xué)習(xí)方法下，可為準(zhǔn)確診斷老年癡呆患者提供思路，自動分析老年癡呆患者的受損技能，從而節(jié)約成本。國外學(xué)者將深度信念網(wǎng)絡(luò)模型方法用于小細(xì)胞癌患者以及正常人群肺圖像分類中，研究結(jié)果顯示準(zhǔn)確率高達(dá)95%。

四、結(jié)束語

綜上所述，將深度學(xué)習(xí)方法應(yīng)用在醫(yī)學(xué)圖像分割和計算機輔助診斷中，結(jié)果顯示深度學(xué)習(xí)方法在其中發(fā)揮重大作用。