朱轩宇 朱东弼
摘 要
闡述了深度学习的定义与现状。介绍了深度学习的几种算法如深度神经网络DNN、卷积神经网络CNN和循环神经网络RNN。重点分析了深度学习算法在医学影像识别领域的应用，如识别乳腺癌、肺癌、皮肤癌、前列腺癌和糖尿病视网膜病变诊断的应用情况。
关键词
机器学习;深度学习;影像识别
中图分类号： R445;TP18 文献标识码： A
DOI：10.19694/j.cnki.issn2095-2457.2020.10.33
0 引言
深度学习属于机器学习的子领域，其需要大量的训练数据和强大的运算能力。由于早些年受到算法理论、数据、硬件的制约，深度学习只能处理简单的线性分类问题。后来，随着大数据的发展以及大规模硬件加速设备的出现，GPU运算能力的不断提升。特别是2012年ImageNET举办的图像分类竞赛，深度学习系统AlexNet以碾压的态势获得了冠军，使得深度学习这一算法被大家熟知，深度学习的发展也开起了人工智能的新时代。
1 深度学习的定义与算法分类
1.1 深度学习的定义
深度学习是机器学习的一个重要分支。神经网络最开始是仿照生物神经元的机制。深度学习通过学习一种深层非线性网络结构，只需简单的网络结构即可实现复杂函数的逼近，并且能从大量的样本中学习到样本集的特征，克服了浅层算法的局限性。它能模仿人类思考机制来识别数据例如图像、文本和声音等。
1.2 深度学习的算法分类
1.2.1 卷积神经网络CNN
卷积神经网络是目前深度学习领域中最常见的一种算法，它属于前馈神经网络并且可以直接输入原始图像避免了人工对图像预处理的过程。它包括输入层、卷积层、激活函数、池化层、全连接层。其中卷积层和池化层是卷积神经网络最大的优势。
1.2.2 深度神经网络DNN
随着对神经网络的需求越来越高，神经网络的层数也越来越深，随之而来的就是求得的最优函数很容易陷入局部最优解的陷阱和出现梯度消失的现象。为了解决这些问题深度神经网络的研究由此展开是一个很广的概念可以理解为包含多个隐藏层的神经网络。从函数上来讲用ReLU、maxout等作为传输函数代替了sigmoid，从结构上讲它和多层感知机是没有任何区别的。按顺序可分为输入层、隐藏层和输出层。
1.2.3 循环神经网络RNN
随着时代的发展，提出了一些与时间序列有关的问题。由于需要考虑上一次的状态时，其他一些算法很难满足人们的需求，循环神经网络（RNN）便随之孕育而生。循环神经网络拥有环路结构，这样的结构可以使它接受自身的信息把当前的信息传递给下一时刻拥有了短时间的“记忆”功能。
2 深度学习算法在医学影像领域的应用
2.1 乳腺癌的识别
在女性恶性肿瘤发病率排行榜上，乳腺癌位居榜首。Albayrak等人开发了一种基于深度学习的算法，该算法通过卷积神经网络（CNN）提取特征，正则化和降维后，支持向量机（SVM）用于正常有丝分裂和非正常有丝分裂细胞的最终分类[1]。用于检测乳腺组织病理学图像中的有丝分裂，精度可到96.8%此方法在有丝分裂细胞和非有丝分裂细胞数量不平衡的情况下不能准确地完成。Dhungel等采用结构化支持向量机来建立一个将不同类型的潜在函数结合起来的模型，包括位置的先验、高斯混合模型和用于乳房X线片质量分割的深度置信网络[2]。准确率可达96%，程序运行时间短。
2.2 肺癌的识别
深度学习在肺癌的检测与诊断已经进入了应用的层面，其核心思想就是对CT图像的识别。Hussein等人提出了一种多视角深度卷积神经网络，基于三维CT图像的多视点深度CNN模型判断肺部结节的特征。利用中值强度投影产生三个与每个维相对应的二维贴片，然后将贴片串联成一个三维张量，数据增强后通过高斯回归判断肿瘤的良性或恶性[3]。准确率可达82.47%，只有在人工标记的高水平结节的情况下对于恶性肿瘤的判定可达92.31%准确率较低。Dou等人介绍了一种直接从三维CT图像中学习的三维卷积神经网络（3D CNN）能从假阳性减少这一特征检测肺癌敏感度为94.4%[4]。
2.3 糖尿病视网膜病变
糖尿病视网膜病变（DR）是糖尿病常见并发症之一，利用深度学习进行诊断已经取得相当高的准确性。目前已经有基于深度学习的DR诊断系统上市用于临床实践。2018年8月，谷歌公司DeepMind团队提出了一种两阶段深度神经网络模型用于OCT影像诊断，分别实现了病灶区域分割和病变等级分类， 并通过不同厂商的OCT成像设备获取的影像进行验证，准确率高达95%。
3 结论
随着“互联网+”的概念的兴起，人工智能已经渗透到人类生活的各个方面。深度学习因其特有的属性，在很多领域突破了传统机器学习的瓶颈，特别是在医疗影像识别领域展现了其强大的识别能力，为医生解决看片子压力，减少误诊，解放优质医疗资源做出了很大的贡献。随着深度学习算法不断发展，深度学习在将其他医疗领域如：精确切割病灶，预测心脑血管疾病等方面会有广泛的应用。
参考文献
[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.
