阚明阳

(河北地质大学信息工程学院，河北 石家庄 050031)

0 引言

深度学习因“整个程序都是可训练的”特性，成为现阶段使用最为广泛的模式识别方法。现在深度学习框架的三大基础结构网络为：卷积神经网络、深度置信网络、堆叠自动编码器。我们生活中常见的医学图像主要为：CT（计算机断层扫描），X光片，B超等。医学图形的获取可能涉及患者的隐私等问题，医学图像的处理涉及图像处理技术，模式识别技术，机器学习等多方面内容[1]。利用深度学习框架将这些信息有效地进行发掘，查找出其中隐藏的医学信息和规律，必然能够有效地为早期疾病的检测和治疗提供保障[2]。

图1 基于深度学习的医学图像分析流程图Fig.1 flow chart of medical image analysis based on deep learning

1 深度学习在医学图像领域主要的算法

1.1 卷积神经网络（CNN）

卷积神经网络于1998年被LeCun等人设计，并于2012年imageNet图片识别大赛中摘得桂冠，此后逐渐被人们所重视。卷积神经网络模型由输入层、卷积层、池化层、全连接层和输出层构成。目前经典的CNN网络模型包括GoogleNet、LeNet模型和VGG模型等。其中VGG模型是深层网络模型，其具有训练时间长，识别准确率高等特点。使用CNN模型训练时，通常会改进CNN网络模型，例如3D-CNN模型能够对运动物体识别，可以在空间和时间维度中进行特征的提取[3]。现代医学影像技术是利用现代高性能的成像硬件设备，对人体某个部位进行生理结构信息和病变信息的扫描[3]，在 CNN网络中的全连接层换成卷积层则变成全卷积网络（FCN），从而实现对语义级图像进行分类。……