面向医学图像分析的深度学习研究方案

面向医学图像分析的深度学习研究方案

这是一篇有关“深度学习在医学图像处理方面”的研究报告的第一节，主要包含研究对象，常用方法，深度学习简介，研究现状，研究重点。
在撰写报告时，我找到了两篇 Deep learning in BioInformation / BioMedicine 的综述文章，也一并分享出来：
Deep Learning in Bioinformatic
Applications of deep learning in biomedicine

1. 研究背景及意义

医学图像分析是综合医学影像、数学建模、数字图像处理、人工智能和数值算法等学科的交叉领域。医学图像主要包括超声、Ｘ射线计算机断层摄影(CT)、核磁共振(MRI)、数字血管剪影(DSA)、正电子断层摄影(PET)等。在医学图像分析领域，主要有图像分割，图像配准与信息融合，时序图像分析和基于内容的图像检索等研究方向。随着医学影像技术的快速发展，医学图像分析步入大数据时代，如何从海量医学图像数据中挖掘出有用知识，从而为临床诊疗和科学研究提供更充分的依据，已经成为了学术界和工业界的研究热点。
机器学习方法被广泛用于医学图像分析，通过在给定数据集上训练模型来完成新数据上的特定任务，比如分类、识别和分割等。常用的算法有支持向量机(SVM)，隐马尔科夫(HMM)以及人工神经网络等。然而，传统的机器学习算法需要利用先验知识从原始数据中人工提取特征，从而训练模型。由于特征选取难度较大，模型可能存在过拟合问题，泛化能力难以保证；另一方面，传统模型难以适应大规模数据集，模型可扩展性差。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习。深度学习是一种数据驱动型模型，能够模拟人脑视觉机理自动地学习到数据各个层次的抽象特征，从而更好地反映数据的本质特征。深度神经网络的研究自2006年Hinton提出一种基于概率图模型的多层受限玻尔兹曼机级(RBM)结构后得到进一步发展，近年来深度学习在视觉处理、语音处理、自然语言处理、信息检索等大数据应用领域都取得了相应成功。深度学习模型在各个领域的良好效果引发了在更多领域利用该技术进行数据挖掘和分析的热潮，在医学和生物认知领域也引起了重视。目前深度学习已经开始涉足医学图像的病变分类[1-3]、分割[4-5]、识别[6]以及大脑功能研究[7]等方面。深度学习创业公司Enlitic研制基于深度学习的癌症检测系统，在胸部CT图像上的肺癌检出率超过医生。[8]IBM提出Watson for Oncology,通过学习大量数据和经验，从而分析病人的医学信息，帮助医生制定可靠的医疗方案。[9] 研发出AlphaGo的Google子公司DeepMind近日宣布DeepMind Health项目，使用深度学习进一步开发有效的医疗保健科技。[10]
计算复杂性已成为深度神经网络研究与应用的最大障碍，深度神经网络必须采用新型硬件结构有效实现才能发挥其实际作用。深度神经网络算法具有典型的计算密集型应用特征，速度瓶颈日益成为深度神经网络理论研究与应用开发的障碍。同时，随着网络层数和每层神经元个数的增加，其计算复杂度将随系统规模呈指数趋势增长。本文主要提出深度学习算法在医学图像分析上的研究方案，针对具体任务构建深度神经网络，在提高效果的同时，根据体系结构特征优化其实现，从而实现深度神经网络在效果和性能上的提升。

1 Plis SM, Hjelm DR, Salakhutdinov R et al. Deep learning for neuroimaging: a validation study. Frontiers in neuroscience 2014;8.
2 Li Q, Cai W, Wang X et al. Medical image classification with convolutional neural network. In: Control Automation Robotics & Vision (ICARCV), 2014 13th International Conference on. 2014. p. 844-8. IEEE.
3 Ypsilantis P-P, Siddique M, Sohn H-M et al. Predicting Response to Neoadjuvant Chemotherapy with PET Imaging Using Convolutional Neural Networks. PloS one 2015;10(9):e0137036.
4 Turaga SC, Murray JF, Jain V et al. Convolutional networks can learn to generate affinity graphs for image segmentation. Neural Computation 2010;22(2):511-38.
5 Roth HR, Lu L, Farag A et al. Deeporgan: Multi-level deep convolutional networks for automated pancreas segmentation. Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015. Springer, 2015, 556-64.
[6] Roth HR, Lu L, Seff A et al. A new 2.5 D representation for lymph node detection using random sets of deep convolutional neural network observations. Medical Image Computing and Computer-Assisted Intervention–MICCAI 2014. Springer, 2014, 520-7.
[7] Koyamada S, Shikauchi Y, Nakae K et al. Deep learning of fMRI big data: a novel
approach to subject-transfer decoding. arXiv preprint arXiv:1502.00093 2015.
[8] Enlitic technology detected lung cancer nodules in chest CT images
http://www.enlitic.com/science.html#deep-learning.
[9] IBM Watson for Oncology. IBM.
http://www.ibm.com/smarterplanet/us/en/ibmwatson/watson-oncology.html ,2016.
[10] DeepMind Health. Google DeepMind. https://www.deepmind.com/health , 2016.