面向醫學映像分析的深度學習研究方案

標籤：

面向醫學映像分析的深度學習研究方案

這是一篇有關“深度學習在醫學影像處理方面”的研究報告的第一節，主要包含研究對象，常用方法，深度學習簡介，研究現狀，研究重點。
在撰寫報告時，我找到了兩篇 Deep learning for BioInformation / BioMedicine 的綜述文章，也一併分享出來：
Deep Learning in Bioinformatic
Applications of deep learning in biomedicine

1. 研究背景及意義

醫學映像分析是綜合醫學影像、數學建模、數位影像處理、人工智慧和數值演算法等學科的交叉領域。醫學映像主要包括超聲、Ｘ射線電腦斷層掃描(CT)、核磁共振(MRI)、數字血管剪影(DSA)、正電子斷層攝影(PET)等。在醫學映像分析領域，主要有映像分割，映像配准與資訊融合，時序映像分析和基於內容的映像檢索等研究方向。隨著醫學影像技術的快速發展，醫學映像分析步入大資料時代，如何從海量醫學映像資料中挖掘出有用知識，從而為臨床診療和科學研究提供更充分的依據，已經成為了學術界和工業界的研究熱點。
機器學習方法被廣泛用於醫學映像分析，通過在給定資料集上訓練模型來完成新資料上的特定任務，比如分類、識別和分割等。常用的演算法有支援向量機(SVM)，隱馬爾科夫(HMM)以及人工神經網路等。然而，傳統的機器學習演算法需要利用先驗知識從未經處理資料中人工提取特徵，從而訓練模型。由於特徵選取難度較大，模型可能存在過擬合問題，泛化能力難以保證；另一方面，傳統模型難以適應大規模資料集，模型可擴充性差。
深度學習是機器學習研究中的一個新的領域，其動機在於建立、類比人腦進行分析學習。深度學習是一種資料驅動型模型，能夠類比人腦視覺機理自動地學習到資料各個層次的抽象特徵，從而更好地反映資料的本質特徵。深度神經網路的研究自2006年Hinton提出一種基於機率圖模型的多層受限玻爾茲曼機級(RBM)結構後得到進一步發展，近年來深度學習在視覺處理、語音處理、自然語言處理、資訊檢索等大資料應用領域都取得了相應成功。深度學習模型在各個領域的良好效果引發了在更多領域利用該技術進行資料採礦和分析的熱潮，在醫學和生物認知領域也引起了重視。目前深度學習已經開始涉足醫學映像的病變分類[1-3]、分割[4-5]、識別[6]以及大腦功能研究[7]等方面。深度學習創業公司Enlitic研製基於深度學習的癌症檢測系統，在胸部CT映像上的肺癌檢出率超過醫生。[8]IBM提出Watson for Oncology,通過學習大量資料和經驗，從而分析病人的醫學資訊，協助醫生制定可靠的醫學方案。[9] 研發出AlphaGo的Google子公司DeepMind近日宣布DeepMind Health項目，使用深度學習進一步開發有效醫學保健科技。[10]
計算複雜性已成為深度神經網路研究與應用的最大障礙，深度神經網路必須採用新型硬體結構有效實現才能發揮其實際作用。深度神經網路演算法具有典型的計算密集型應用特徵，速度瓶頸日益成為深度神經網路理論研究與應用開發的障礙。同時，隨著網路層數和每層神經元個數的增加，其計算複雜度將隨系統規模呈指數趨勢增長。本文主要提出深度學習演算法在醫學映像分析上的研究方案，針對具體任務構建深度神經網路，在提高效果的同時，根據體繫結構特徵最佳化其實現，從而實現深度神經網路在效果和效能上的提升。

1 Plis SM, Hjelm DR, Salakhutdinov R et al. Deep learning for neuroimaging: a validation study. Frontiers in neuroscience 2014;8.
2 Li Q, Cai W, Wang X et al. Medical image classification with convolutional neural network. In: Control Automation Robotics & Vision (ICARCV), 2014 13th International Conference on. 2014. p. 844-8. IEEE.
3 Ypsilantis P-P, Siddique M, Sohn H-M et al. Predicting Response to Neoadjuvant Chemotherapy with PET Imaging Using Convolutional Neural Networks. PloS one 2015;10(9):e0137036.
4 Turaga SC, Murray JF, Jain V et al. Convolutional networks can learn to generate affinity graphs for image segmentation. Neural Computation 2010;22(2):511-38.
5 Roth HR, Lu L, Farag A et al. Deeporgan: Multi-level deep convolutional networks for automated pancreas segmentation. Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015. Springer, 2015, 556-64.
[6] Roth HR, Lu L, Seff A et al. A new 2.5 D representation for lymph node detection using random sets of deep convolutional neural network observations. Medical Image Computing and Computer-Assisted Intervention–MICCAI 2014. Springer, 2014, 520-7.
[7] Koyamada S, Shikauchi Y, Nakae K et al. Deep learning of fMRI big data: a novel
approach to subject-transfer decoding. arXiv preprint arXiv:1502.00093 2015.
[8] Enlitic technology detected lung cancer nodules in chest CT images
http://www.enlitic.com/science.html#deep-learning.
[9] IBM Watson for Oncology. IBM.
http://www.ibm.com/smarterplanet/us/en/ibmwatson/watson-oncology.html ,2016.
[10] DeepMind Health. Google DeepMind. https://www.deepmind.com/health , 2016.

面向醫學映像分析的深度學習研究方案