朱軒宇　朱東弼

摘 要

闡述了深度學(xué)習(xí)的定義與現(xiàn)狀。介紹了深度學(xué)習(xí)的幾種算法如深度神經(jīng)網(wǎng)絡(luò)DNN、卷積神經(jīng)網(wǎng)絡(luò)CNN和循環(huán)神經(jīng)網(wǎng)絡(luò)RNN。重點(diǎn)分析了深度學(xué)習(xí)算法在醫(yī)學(xué)影像識(shí)別領(lǐng)域的應(yīng)用，如識(shí)別乳腺癌、肺癌、皮膚癌、前列腺癌和糖尿病視網(wǎng)膜病變?cè)\斷的應(yīng)用情況。

關(guān)鍵詞

機(jī)器學(xué)習(xí);深度學(xué)習(xí);影像識(shí)別

中圖分類號(hào)： R445;TP18? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.10.33

0 引言

深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的子領(lǐng)域，其需要大量的訓(xùn)練數(shù)據(jù)和強(qiáng)大的運(yùn)算能力。由于早些年受到算法理論、數(shù)據(jù)、硬件的制約，深度學(xué)習(xí)只能處理簡(jiǎn)單的線性分類問題。后來(lái)，隨著大數(shù)據(jù)的發(fā)展以及大規(guī)模硬件加速設(shè)備的出現(xiàn)，GPU運(yùn)算能力的不斷提升。特別是2012年ImageNET舉辦的圖像分類競(jìng)賽，深度學(xué)習(xí)系統(tǒng)AlexNet以碾壓的態(tài)勢(shì)獲得了冠軍，使得深度學(xué)習(xí)這一算法被大家熟知，深度學(xué)習(xí)的發(fā)展也開起了人工智能的新時(shí)代。

1 深度學(xué)習(xí)的定義與算法分類

1.1 深度學(xué)習(xí)的定義

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)重要分支。神經(jīng)網(wǎng)絡(luò)最開始是仿照生物神經(jīng)元的機(jī)制。深度學(xué)習(xí)通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，只需簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)即可實(shí)現(xiàn)復(fù)雜函數(shù)的逼近，并且能從大量的樣本中學(xué)習(xí)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(jī)制來(lái)識(shí)別數(shù)據(jù)例如圖像、文本和聲音等。

1.2 深度學(xué)習(xí)的算法分類

1.2.1 卷積神經(jīng)網(wǎng)絡(luò)CNN

卷積神經(jīng)網(wǎng)絡(luò)是目前深度學(xué)習(xí)領(lǐng)域中最常見的一種算法，它屬于前饋神經(jīng)網(wǎng)絡(luò)并且可以直接輸入原始圖像避免了人工對(duì)圖像預(yù)處理的過程。它包括輸入層、卷積層、激活函數(shù)、池化層、全連接層。其中卷積層和池化層是卷積神經(jīng)網(wǎng)絡(luò)最大的優(yōu)勢(shì)。

1.2.2 深度神經(jīng)網(wǎng)絡(luò)DNN

隨著對(duì)神經(jīng)網(wǎng)絡(luò)的需求越來(lái)越高，神經(jīng)網(wǎng)絡(luò)的層數(shù)也越來(lái)越深，隨之而來(lái)的就是求得的最優(yōu)函數(shù)很容易陷入局部最優(yōu)解的陷阱和出現(xiàn)梯度消失的現(xiàn)象。為了解決這些問題深度神經(jīng)網(wǎng)絡(luò)的研究由此展開是一個(gè)很廣的概念可以理解為包含多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)。從函數(shù)上來(lái)講用ReLU、maxout等作為傳輸函數(shù)代替了sigmoid，從結(jié)構(gòu)上講它和多層感知機(jī)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(jīng)網(wǎng)絡(luò)RNN

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

2 深度學(xué)習(xí)算法在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用

2.1 乳腺癌的識(shí)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(xué)習(xí)的算法，該算法通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取特征，正則化和降維后，支持向量機(jī)（SVM）用于正常有絲分裂和非正常有絲分裂細(xì)胞的最終分類[1]。用于檢測(cè)乳腺組織病理學(xué)圖像中的有絲分裂，精度可到96.8%此方法在有絲分裂細(xì)胞和非有絲分裂細(xì)胞數(shù)量不平衡的情況下不能準(zhǔn)確地完成。Dhungel等采用結(jié)構(gòu)化支持向量機(jī)來(lái)建立一個(gè)將不同類型的潛在函數(shù)結(jié)合起來(lái)的模型，包括位置的先驗(yàn)、高斯混合模型和用于乳房X線片質(zhì)量分割的深度置信網(wǎng)絡(luò)[2]。準(zhǔn)確率可達(dá)96%，程序運(yùn)行時(shí)間短。

2.2 肺癌的識(shí)別

深度學(xué)習(xí)在肺癌的檢測(cè)與診斷已經(jīng)進(jìn)入了應(yīng)用的層面，其核心思想就是對(duì)CT圖像的識(shí)別。Hussein等人提出了一種多視角深度卷積神經(jīng)網(wǎng)絡(luò)，基于三維CT圖像的多視點(diǎn)深度CNN模型判斷肺部結(jié)節(jié)的特征。利用中值強(qiáng)度投影產(chǎn)生三個(gè)與每個(gè)維相對(duì)應(yīng)的二維貼片，然后將貼片串聯(lián)成一個(gè)三維張量，數(shù)據(jù)增強(qiáng)后通過高斯回歸判斷腫瘤的良性或惡性[3]。準(zhǔn)確率可達(dá)82.47%，只有在人工標(biāo)記的高水平結(jié)節(jié)的情況下對(duì)于惡性腫瘤的判定可達(dá)92.31%準(zhǔn)確率較低。Dou等人介紹了一種直接從三維CT圖像中學(xué)習(xí)的三維卷積神經(jīng)網(wǎng)絡(luò)（3D CNN）能從假陽(yáng)性減少這一特征檢測(cè)肺癌敏感度為94.4%[4]。

2.3 糖尿病視網(wǎng)膜病變

糖尿病視網(wǎng)膜病變（DR）是糖尿病常見并發(fā)癥之一，利用深度學(xué)習(xí)進(jìn)行診斷已經(jīng)取得相當(dāng)高的準(zhǔn)確性。目前已經(jīng)有基于深度學(xué)習(xí)的DR診斷系統(tǒng)上市用于臨床實(shí)踐。2018年8月，谷歌公司DeepMind團(tuán)隊(duì)提出了一種兩階段深度神經(jīng)網(wǎng)絡(luò)模型用于OCT影像診斷，分別實(shí)現(xiàn)了病灶區(qū)域分割和病變等級(jí)分類， 并通過不同廠商的OCT成像設(shè)備獲取的影像進(jìn)行驗(yàn)證，準(zhǔn)確率高達(dá)95%。

3 結(jié)論

隨著“互聯(lián)網(wǎng)+”的概念的興起，人工智能已經(jīng)滲透到人類生活的各個(gè)方面。深度學(xué)習(xí)因其特有的屬性，在很多領(lǐng)域突破了傳統(tǒng)機(jī)器學(xué)習(xí)的瓶頸，特別是在醫(yī)療影像識(shí)別領(lǐng)域展現(xiàn)了其強(qiáng)大的識(shí)別能力，為醫(yī)生解決看片子壓力，減少誤診，解放優(yōu)質(zhì)醫(yī)療資源做出了很大的貢獻(xiàn)。隨著深度學(xué)習(xí)算法不斷發(fā)展，深度學(xué)習(xí)在將其他醫(yī)療領(lǐng)域如：精確切割病灶，預(yù)測(cè)心腦血管疾病等方面會(huì)有廣泛的應(yīng)用。

參考文獻(xiàn)

[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.