深度學(xué)習(xí)能自動(dòng)從大樣本數(shù)據(jù)中學(xué)習(xí)獲得優(yōu)良的特征表達(dá),有效提升各種機(jī)器學(xué)習(xí)任務(wù)的性能,已廣泛應(yīng)用于信號(hào)處理、計(jì)算機(jī)視覺和自然語言處理等諸多領(lǐng)域。基于深度學(xué)習(xí)的醫(yī)學(xué)影像智能計(jì)算是目前智慧醫(yī)療領(lǐng)域的研究熱點(diǎn),其中深度學(xué)習(xí)方法已經(jīng)應(yīng)用于醫(yī)學(xué)影像處理、分析的全流程。由于醫(yī)學(xué)影像內(nèi)在的特殊性、復(fù)雜性,特別是考慮到醫(yī)學(xué)影像領(lǐng)域普遍存在的小樣本問題,相關(guān)學(xué)習(xí)任務(wù)和應(yīng)用場景對(duì)深度學(xué)習(xí)方法提出了新要求。本文以臨床常用的X射線、超聲、計(jì)算機(jī)斷層掃描和磁共振等4種影像為例,對(duì)深度學(xué)習(xí)在醫(yī)學(xué)影像中的應(yīng)用現(xiàn)狀進(jìn)行綜述,特別面向圖像重建、病灶檢測、圖像分割、圖像配準(zhǔn)和計(jì)算機(jī)輔助診斷這5大任務(wù)的主要深度學(xué)習(xí)方法的進(jìn)展進(jìn)行介紹,并對(duì)發(fā)展趨勢進(jìn)行展望。 

【文章來源】：中國圖象圖形學(xué)報(bào). 2020,25(10)北大核心CSCD

【文章頁數(shù)】：29 頁

【部分圖文】：

基于深度級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)MR圖像重建流程圖(Schlemper等,2018)

圖2所示為DeepcomplexMRI網(wǎng)絡(luò)的結(jié)構(gòu),網(wǎng)絡(luò)由多個(gè)級(jí)聯(lián)的塊組成,每個(gè)塊包括一個(gè)CNN單元和一個(gè)數(shù)據(jù)擬合單元。在網(wǎng)絡(luò)的各層級(jí)聯(lián)之間,獲取的欠采樣k空間數(shù)據(jù)用于更新層輸出以增強(qiáng)數(shù)據(jù)的一致性。值得注意的是,CNN單元是一個(gè)復(fù)數(shù)的卷積網(wǎng)絡(luò),通過在每個(gè)CNN層中引入復(fù)數(shù)卷積來考慮相關(guān)性。1.1.2 基于先驗(yàn)?zāi)Ｐ偷纳疃葘W(xué)習(xí)MRI重建方法

ADMM-Net是一個(gè)定義在數(shù)據(jù)流圖上的深度架構(gòu)(Yang等,2016,2018a)�；趬嚎s感知MRI模型,圖3所示的流程圖將成像模型的ADMM迭代過程展開為一種新型網(wǎng)絡(luò)結(jié)構(gòu),成像模型和迭代算法的未知參數(shù)均轉(zhuǎn)化為該網(wǎng)絡(luò)的參數(shù)。在訓(xùn)練階段,該算法使用L-BFGS(limited broyden-fletcher-goldfarb shanno)算法對(duì)網(wǎng)絡(luò)中所有參數(shù)進(jìn)行端到端訓(xùn)練。在測試階段,所學(xué)習(xí)的ADMM-Net具有類似于ADMM算法的計(jì)算開銷,但是使用從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到的參數(shù)進(jìn)行基于壓縮感知的核磁共振圖像重建,即在k空間中以不同的欠采樣率進(jìn)行MRI圖像重建。該方法是第一個(gè)將模型驅(qū)動(dòng)的ADMM優(yōu)化算法映射為可學(xué)習(xí)的深度網(wǎng)絡(luò)架構(gòu)的計(jì)算新框架。2)卷積去混疊網(wǎng)絡(luò)用于并行MRI重建。

【參考文獻(xiàn)】：
期刊論文
[1]基于半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)X光圖像分類算法[J]. 劉坤,王典,榮夢學(xué).  光學(xué)學(xué)報(bào). 2019(08)
[2]深度學(xué)習(xí)在醫(yī)學(xué)超聲圖像分析中的應(yīng)用綜述[J]. 劉盛鋒,王毅,楊鑫,雷柏英,劉立,李享,倪東,汪天富.  Engineering. 2019(02)



本文編號(hào)：3617707