深度學習能自動從大樣本數(shù)據(jù)中學習獲得優(yōu)良的特征表達,有效提升各種機器學習任務的性能,已廣泛應用于信號處理、計算機視覺和自然語言處理等諸多領域�；谏疃葘W習的醫(yī)學影像智能計算是目前智慧醫(yī)療領域的研究熱點,其中深度學習方法已經(jīng)應用于醫(yī)學影像處理、分析的全流程。由于醫(yī)學影像內在的特殊性、復雜性,特別是考慮到醫(yī)學影像領域普遍存在的小樣本問題,相關學習任務和應用場景對深度學習方法提出了新要求。本文以臨床常用的X射線、超聲、計算機斷層掃描和磁共振等4種影像為例,對深度學習在醫(yī)學影像中的應用現(xiàn)狀進行綜述,特別面向圖像重建、病灶檢測、圖像分割、圖像配準和計算機輔助診斷這5大任務的主要深度學習方法的進展進行介紹,并對發(fā)展趨勢進行展望。 

【文章來源】：中國圖象圖形學報. 2020,25(10)北大核心CSCD

【文章頁數(shù)】：29 頁

【部分圖文】：

基于深度級聯(lián)卷積神經(jīng)網(wǎng)絡的動態(tài)MR圖像重建流程圖(Schlemper等,2018)

圖2所示為DeepcomplexMRI網(wǎng)絡的結構,網(wǎng)絡由多個級聯(lián)的塊組成,每個塊包括一個CNN單元和一個數(shù)據(jù)擬合單元。在網(wǎng)絡的各層級聯(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數(shù)據(jù)的一致性。值得注意的是,CNN單元是一個復數(shù)的卷積網(wǎng)絡,通過在每個CNN層中引入復數(shù)卷積來考慮相關性。1.1.2 基于先驗模型的深度學習MRI重建方法

ADMM-Net是一個定義在數(shù)據(jù)流圖上的深度架構(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)絡結構,成像模型和迭代算法的未知參數(shù)均轉化為該網(wǎng)絡的參數(shù)。在訓練階段,該算法使用L-BFGS(limited broyden-fletcher-goldfarb shanno)算法對網(wǎng)絡中所有參數(shù)進行端到端訓練。在測試階段,所學習的ADMM-Net具有類似于ADMM算法的計算開銷,但是使用從訓練數(shù)據(jù)中學習到的參數(shù)進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行MRI圖像重建。該方法是第一個將模型驅動的ADMM優(yōu)化算法映射為可學習的深度網(wǎng)絡架構的計算新框架。2)卷積去混疊網(wǎng)絡用于并行MRI重建。

【參考文獻】：
期刊論文
[1]基于半監(jiān)督生成對抗網(wǎng)絡X光圖像分類算法[J]. 劉坤,王典,榮夢學.  光學學報. 2019(08)
[2]深度學習在醫(yī)學超聲圖像分析中的應用綜述[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：3617707