医学图像深度学习处理方法的研究进展

佟超 韩勇 冯巍 李伟铭 陶丽新 郭秀花

0 引言

人工智能(artificial intelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。机器学习(machine learning，ML)，是一种实现人工智能的方法，其应用算法来解析数据，像人一样具有学习能力，对具体事件进行决策和预测。而深度学习(deep learning，DL)是一种实现机器学习的技术，是一种数据驱动的自动学习图像中隐藏的高层次特征的方法，该方法能够大幅度减少特征选择时主观因素的干扰;此外,该模型应用了非线性层结构，能够建立较为复杂的模型；另外，浅层神经网络容易出现欠拟合，而DL可以通过增加网络深度提高学习能力，使解决一些较复杂问题成为可能。因此，近些年该方法广泛应用于图像分类、人脸识别及医学图像。

1 DL在医学图像自动分割中的应用

医学图像分割是DL应用于医学图像分析的一个重要领域，它在图像中自动分割出感兴趣区域，帮助后续的诊断及分析，有效避免医生的主观性影响[1]。脑肿瘤是指在颅腔中的异常生长的新生物，对人体伤害非常大，常常产生头痛、颅内高压等症状。由于根据脑肿瘤病理类型及发病部位的不同其治疗方案也随之改变，因此，正确对脑肿瘤进行分割对其诊治是十分重要的。Havaei 等[2]提出一种基于深度神经网络的全自动脑图像肿瘤分割方法，不仅在临床诊断中有助于神经系统疾病的评估，提高了模型速度，而且在基础神经科学研究中也具有重要作用。此外，毛雷[3]在研究中提出了基于卷积神经网络(convolution neural network,CNN)的脑肿瘤快速分割的方法，但由于磁共振成像(magnetic resonance imaging,MRI)像素类别不平衡而导致分割精度不高，针对该不足，又提出了基于深度级联网络的脑肿瘤分割方法，该方法能够有效分割出完整的脑肿瘤区域，并大大提高了分割精度。

乳腺癌是由乳房组织恶性病变发展而成的癌症，主要表现为乳房形状改变、乳腺皮肤出现“橘皮样改变“、乳头溢液、无痛性肿块等。乳腺癌是女性常见的恶性肿瘤之一，威胁女性的身心健康，是当前社会的重大公共卫生问题之一。Men等[4]为实现乳腺癌放射治疗靶区的自动分割，训练出一种深度残差网络，该方法能够准确、快速分割出乳腺癌放疗靶区。而在乳腺MRI图像上，肿块型和非肿块型之间形态差异较大，非肿块型由于缺乏明确的边界，诊断较为困难。目前缺乏针对非肿块型乳腺肿瘤自动分割的相关研究，针对该问题，马伟等[5]研究出一套新的DL模型：首先利用YOLOv2良好的拟合性及运行速度进行粗监测；然后应用SegNet模型进行精细分割，为减少医生工作量及辅助医生诊断提供了可能。

肝癌是指发生于肝脏或从肝脏开始的恶性肿瘤，是目前我国高发的恶性肿瘤，主要表现为肋骨架右侧下方疼痛，腹胀、黄疸、消瘦以及身体虚弱等。对肝脏肿瘤进行精确分割是切除手术的第一步，但医生手工勾画病理区域由于边界模糊问题使得分割较为困难。因此，Ahn等[6]为克服医生手工勾画病理区域的局限性，制定了基于深度卷积神经网络(deep convolution neural network,DCNN)的肝癌自动分割框架，结果表明该框架优于手工勾画。为解决CNN方法存在的计算量大、GPU内存消耗大等问题，黄赛[7]提出了一种基于全卷积神经网络(fully convolutional networks,FCN)的U-net网络模型，该模型能够更精确地分割肝脏肿瘤。

淋巴结转移是肿瘤最常见的转移方式，一般先到达距离肿瘤最近的淋巴结，随后向相邻的淋巴结扩展。通过对转移淋巴及肿大淋巴结进行切割活检，能够有效进行肿瘤病理分型，在肿瘤的诊治中扮演着重要角色。因此，正确对淋巴结进行分割对恶性肿瘤的诊治发挥重要作用。Zhao等[8]提出了一个基于DL的多参数磁共振成像(mpMRI)全自动淋巴结检测与分割模型，该模型对于自动分割淋巴结并对其进行评估具有巨大潜力。淋巴瘤是起源于淋巴系统的恶性肿瘤，是由于淋巴细胞病变造成的。主要表现为无痛性淋巴结肿大、发热、盗汗等症状。为实现淋巴瘤患者PET/CT中受累淋巴结的自动分割，张璐等[9]提出了双路全卷积神经网络——W-net，该方法对淋巴结具有更好的分割能力。

DL在医学图像分割领域的应用还有很多。赵飞等[10]利用CNN对心脏CT图像的感兴趣区域进行分割，该方法更有利于医生对患者心脏健康状况的判断和对病变部位的观察；由于肩关节MRI中骨结构的精确分割对骨损伤的诊治十分重要，刘云鹏等[11]应用U-net和Alex Net对骨结构进行自动分割；此外，冉昭等[12]利用U-net模型对直肠肿瘤MRI进行全自动分割，该模型能够准确勾画肿瘤边界。

2 DL在医学图像分类与识别中的应用

如今，视功能损害眼病的发生会严重降低人们的生活质量，因此，及时发现和治疗微动脉瘤是预防糖尿病视网膜病变等视功能损害眼病发展的关键步骤。Dai等[13]提出一个CNN模型，其利用临床报告中的少量监督信息，通过特征空间中的图像来识别潜在的微动脉瘤区域，该框架的准确率为99.7%，具有一定的优越性。在对成人糖尿病患者视网膜底图像的评估中，Gulshan等[14]应用DL创建了用于自动检测视网膜底照片中糖尿病性视网膜病变和糖尿病性黄斑水肿的算法，该算法对检测糖尿病性视网膜病变具有较高的灵敏度和特异性。Ohsugi等[15]将CNN应用于超宽视场眼底影像来侦测孔源性视网膜脱离，提高了偏远地区眼科门诊的医疗水平。

肝癌是全世界癌症相关死亡的第二大原因，人肝细胞癌(human hepatocellular carcinoma,HCC)是最常见的原发性肝癌。快速、可靠地检测和诊断HCC可使这些患者更早开始治疗并获得更好的疗效。有研究者提出了基于CNN，从6种常见肝脏病变类型中对具有典型影像学特征的病变进行了分类诊断[16]；Yasaka等[17]利用CNN的方法研究动态造影剂增强CT对肝脏肿块的鉴别诊断；茹仙古丽等[18]通过改进CNN Inception V3 模型对肝脏组织切片图像进行分类，分类效果较好。

肺癌是最常见的癌症死亡原因，肺癌筛查对降低肺癌死亡率具有重要意义。Ardila等[19]使用DCNN来学习特征，对肺癌进行筛查，结果优于6位放射科医生；Ciompi等[20]提出一种基于多尺度卷积网络的DL系统，该系统能自动对所有肺结节进行分类；Jiang等[21]设计了一个四通道CNN模型，能够有效提高肺结节的检测性能，大大降低在大量图像数据下的误报率；Coudray等[22]训练了一个CNN模型，能够准确和自动地对腺癌、鳞状细胞癌或正常肺组织进行多分类诊断，从而提高了精准药物使用范围和性能。肺纤维化是肺部疾病的终末期改变，能导致肺功能进行性丧失。有研究人员应用CNN检测慢性阻塞性肺疾病，并预测吸烟者的急性呼吸道疾病和死亡率，在肺纤维化疾病的诊断中起重要作用[23]；Walsh等[24]开发了一种DL算法，该算法可在高分辨率CT上提供纤维性肺病的自动分类，不仅成本低、可重复，而且准确性高。

DL所涉及的医学图像识别领域众多，其在医学方面产生着巨大影响。Nardelli等[25]提出利用三维卷积神经网络将胸部CT图像中的血管分为动脉和静脉，整体准确度达94%；Zreik等[26]应用CNN以自动识别功能性冠状动脉狭窄患者；Han等[27]应用CNN学习算法对12种皮肤疾病的临床图像进行分类，诊断敏感性得到提高；CNN在鉴别角质形成细胞癌与良性脂溢性角化病，恶性黑色素瘤与良性痣这两项任务上均达到了与所有测试过的专家相同的性能，表明其能对皮肤癌进行分类，具有与皮肤科医生相当的能力[28]；研究人员通过使用大脑的18F-氟脱氧葡萄糖PET，开发了用于早期预测阿尔茨海默病的DL算法，该模型具有100%敏感性、82%的特异性[29]；Peng 等[30]基于CNN方法对晚期鼻咽癌的个体诱导化疗价值进行评估，可作为预测晚期鼻咽癌预后的有力工具；Jeyaraj等[31]通过研究患者的高光谱图像，提出的CNN算法提高了口腔医学诊断的复杂医学图像的诊断质量；Lee等[32]将CNN用于甲状腺癌颈淋巴结转移的CT诊断，能在术前对甲状腺癌患者的颈淋巴结转移进行准确分类；Gandomkar等[33]利用深度残差网络对乳腺组织病理图像进行多类别诊断；Bien等[34]利用CNN对膝关节MRI检查的临床病理进行分类。

3 小结

DL的最新进展为医学图像自动分割与分析提供了新的思路，使人们能够从数据中发现图像中的形态或纹理模式，已经在不同的医学领域中取得了重大进步。但是，由于DL模型的黑盒状特征，直观地理解和解释所学习的模型仍然是一个需要解决的难题。对医学图像采用DL法进行智能化分割诊断，具有广阔的应用空间和前景。