【作　者】郭磊，贺宏伟，王玉军，王昌元，杨秀云，刘露

泰山医学院，泰安市，271016

0　引言

医学图像中成像部位的识别是医学图像处理的关键技术，是实现临床应用中医学图像自动化处理的基础。当前研究[1-3]通过构建数字重建图像，将成像部位的射野图像与其进行自动配准，是放疗定位及误差分析的常见方法。区别于图像配准方法，相关研究[4]提出通过提取图像特征，执行支持向量机算法进行成像部位和摆位方式识别的方法。该方法实现了X线图像成像信息的自动检测，但其准确率受到预先设定的图像特征和支持向量机分类性能的限制，实验过程对需识别的成像部位进行了限制。图像特征人工选取在当前医学图像处理中有着广泛应用[5-6]，然而提取的图像特征往往由于维度过低或者缺乏代表性，影响医学图像处理结果的准确率。如何保证提取图像特征的多维度和代表性，是当前医学图像处理研究的重要方面。

深度学习作为当今人工智能研究的热点领域，在计算机视觉、语音识别、自然语言翻译等方面表现出好于传统方法的性能。它利用深度神经网络对输入数据进行前向传播，通过多隐层拓扑结构进行逐层反馈训练[7]。卷积神经网络作为一种深度神经网络，其特定网络结构，如卷积核、池化层、反向传播训练算法的使用等，使其具备很强的特征自动提取和分类识别能力。卷积神经网络已被广泛应用于图像识别[8-10]和语义分割[11-13]，使得图像分类识别和语义分割的准确率显著提高。……