深度学习在医学领域
医学领域
医学影像的特点
- 依赖性强的成像设备及复杂的成像环境;由于不同类型的图像间存在显著差异,导致难以实现统一的融合效果。
- 具有较高像素值的图像其信噪比偏低,并且整体图像分辨率不易维持较高的水平。
- 生物个体表现出明显的个体间差异性和较强的适应能力。
医学病症大致分类
根据人类解剖结构进行分类，在神经系统中包括脑血管病（如脑血栓）、神经退行性疾病（如阿尔茨海默病）、帕金森病、偏头痛（癫痛）、精神障碍（如精神分裂症）等；在心血管系统中包括心脏疾病、肺部肿块及肺癌、乳腺纤维瘤及乳腺癌等；在消化系统中包括肝胆系统疾病（如肝癌、肝炎）、脾胃相关病症（如胃癌）、泌尿系统中前列腺相关病症（如前列腺癌）以及女性生殖道感染（如子宫颈癌）；在眼部系统中则涵盖了多个常见病种：中心浆液性视网膜病变症、干眼症、交感神经引起的视力模糊症、夜盲症等多种视力问题以及一些复杂的视觉障碍
颅内组织器官炎症反应及病理状态是脑部疾病的共同特征，在此过程中可伴随血管异常增生形成血管病或肿瘤发生；此外还可能因代谢失衡导致变性或形态异常；免疫功能紊乱可能导致免疫性疾病的发生；营养失衡也会引发一系列代谢性疾病；中毒或创伤则是导致外伤性疾病的诱因；寄生虫寄生于体内则会引发寄生虫性疾病
腹部器官损伤是腹部疾病的本质特征，在此区域内集中了肝脏功能障碍（如肝癌）、腹肌相关病症（如腹肌分离）、脾脏功能异常以及肾脏前摄属性衰竭等问题；常见的腹部病症还包括胰腺炎等
眼睛作为感知外界的重要器官，在其发育过程中容易出现多种问题：由视网膜色素变性和细胞坏死引起的黄斑病变症是常见的严重并发症之一；由角膜缺水导致的干眼症是一种较为普遍的眼表问题；由角膜充血引发的白内障属于较为严重的视力损伤类型
深度学习在医学领域的应用
深度学习应用在医学上的问题
- 是否可以将深度神经网络有效地应用于医学任务？
- 数据稀缺性使得标注工作耗时费力, 其中常见的技术手段包括transfer learning和fine-tuning, 但这些技术手段能否实现从通用知识到医学领域知识的有效迁移仍需进一步验证。
- 我们能否仅凭学习特征独立完成任务, 或者将其与人工设计的功能模块相结合以提高性能？
深度学习在医学影像方面的实际应用
a. 图像分割
Middleton等人探讨结合多层感知器与snake模型的算法用于肺MR图像分割。其对于脑胶质瘤手术规划、放射治疗方案制定及疗效监测具有重要意义。Pereira等人报道使用卷积神经网络（CNNs）对脑胶质瘤MR图像中的病灶区域进行自动识别以克服人工处理的不足。Zhao和Jia介绍了一种类似的技术从脑胶质瘤MR图像中实现病灶自动识别并取得了满意的效果。该技术一定程度上解决了病灶自动提取的技术难题。Liang等人采用CNNs技术对脑梗塞病灶MRI扩散加权图像（DWI）实现了自动化提取为智能决策提供了技术支持。Dolz等人介绍了一种基于卷积神经网络（CNNS）对MRI三维图像亚皮质区域进行自动识别的方法并与标准数据库进行了对比验证结果显示与标准数据库结果具有一致性
b. 图像配准
在医学影像融合前需确保各幅影像间的精确对齐。Wu团队展示了非监督学习技术用于提取特征并完成配准。基于Wu的研究成果، Shun团队引入了卷积神经网络回归模型来处理2D及3D影像的配准问题。首先训练局部特征信息, 在此基础上逐步优化复杂特征的层次化分解过程。通过该方法可系统性地评估其在临床实践中的应用效果, 显著提升了定位精度
c. 病灶检测和辅助诊断
采用计算机辅助病灶探测技术（即Computer-Aided Detection, CAD；或Computer-Aided Diagnosis, CADx）有助于临床医师显著提高临床诊断的准确性。Huynh等人运用卷积神经网络技术提高了乳腺癌辅助诊断的效果（受试者工作特征曲线下的面积AUC值达到0.86）。王等人报告了168例肺癌PET/CT扫描患者，并从病理学角度选择1397个淋巴结作为研究对象，在病理学标准下判断肿瘤是否存在转移。随后并根据这一标准选择并训练了4种基于机器学习和深度学习的卷积神经网络模型，并将这些模型与人类阅片专家进行对比验证。研究结果表明传统医学影像分析方法在准确度上优于纹理特征分析法，在灵敏度上优于自动靶器官分割法，在特异性上则略逊于靶器官分割法。然而研究发现深度学习的一个显著优势是无需手动分割病变区域即可实现高效精准检测
d. 影像组学生物标志物提取
通过深度学习技术的应用能够加速影像组学在临床实际工作中的应用进程。Parmar等研究者在对影像组学研究经验的总结基础上采用了深度学习技术的理念，并对464例肺癌患者CT图像进行了系统性分析。他们将肺癌病灶分为四类，并提取了440个影像特征。其中310例作为训练集用于模型构建与优化训练过程中的参数调整与优化方法探索，并选择12种分类器来分析这14个特征之间的关系及其潜在联系。他们优化了分类器及其对应的图像特征，并验证了所构建的机器模型具有良好的诊断效果。此外，Velazquez等研究者则介绍了肺癌CT图像中影像特征与突变基因（如EGFR、KRAS）之间的关系及其潜在联系
医学影像模型框架的应用
SAE(stack auto-encoder)
无监督学习方案，得到特征描述为主
RBM(restricted Boltzmann machine)
无监督学习方案，与SAE 类似
CNN(convolutional neural network)
卷积神经网络，可以用来提取图片特征或者直接完成分类检测等任务
RNN(recurrent neural network)
循环神经网络，用来获取时序上的信息，可以+-在CT等逐行扫描图像中使用
U-net (with a single downsampling stage)
类似于带short-cut的全卷机网络，用来融合不同尺度的图像的特征
FCNN(fully convolutional neural network)
全卷机网络，可以获取与原图相同分辨率的图片，常用于分割等任务
FRCNN(Faster Region-proposal based neural network)
一种快速的深度学习检测网络框架，可用于检测图像中的多种物体
在脑部疾病方面的应用
该研究系统通过深度信念网络(DBN)实现了帕金森病的有效诊断,该技术基于患者的语音信号建立模型