楊麗洋，文 戈

南方醫(yī)科大學南方醫(yī)院影像中心，廣東 廣州 510515

當前，醫(yī)學應(yīng)用的成像技術(shù)主要包括X射線成像、CT、MRI、正電子發(fā)射斷層掃描和超聲等［1］。隨著科學技術(shù)的發(fā)展和醫(yī)學影像設(shè)備的發(fā)展，手動進行數(shù)據(jù)解釋和分析已逐漸成為一項具有挑戰(zhàn)性的任務(wù)［2］。醫(yī)學圖像的診斷和分析依賴于醫(yī)生的專業(yè)知識和經(jīng)驗，疲勞和情緒狀態(tài)對其影響很大［3］，這可能導致同一位放射科醫(yī)生在不同時間，或檢查同一圖像的不同放射科醫(yī)生之間的結(jié)果不一致。

深度學習和機器學習作為人工智能的重要分支，在醫(yī)學影像學方面有著廣泛的應(yīng)用。機器學習是將算法應(yīng)用于一組數(shù)據(jù)，從該數(shù)據(jù)中學習知識并應(yīng)用所學的知識可以做出預測［4］，其數(shù)據(jù)特征在機器學習中是手動提取的，而在深度學習中數(shù)據(jù)特征的提取是一個完全自動化的過程［2］。深度學習是通過多層非線性神經(jīng)網(wǎng)絡(luò)層將數(shù)據(jù)的低級別特征進行組合并轉(zhuǎn)換成高級別、復雜的抽象特征，以完成復雜任務(wù)的學習［5］。應(yīng)用深度學習方法，可以從海量醫(yī)學影像數(shù)據(jù)中自動提取抽象特征，既消除了主觀因素的影響，又能提取到更高級的抽象特征［6］，有助于協(xié)助醫(yī)生對疾病做出精確診斷。

1 模型介紹

深度學習與機器學習一樣，可分為兩種：監(jiān)督學習與無監(jiān)督學習。監(jiān)督學習需要通過有標注的數(shù)據(jù)進行訓練得到模型，即先輸入計算機一些問題的正確答案，然后在此基礎(chǔ)上判斷和分析新案例［7］，監(jiān)督學習在醫(yī)學影像處理中的常見模型有卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）。無監(jiān)督學習是處理未標注的數(shù)據(jù)，并訓練生成模型［8］，在醫(yī)學圖像應(yīng)用中常見的模型有深度置信網(wǎng)絡(luò)（DBN）和自動編碼器（AE）。

1.1 CNN

生物學家Hubel等［9］基于對貓視覺皮層細胞的研究，首次提出了感受野的概念。Fukushima［10］根據(jù)Hubel和Wiesel的層級模型提出了神經(jīng)認知機模型，它被認為是CNN的第一個實現(xiàn)網(wǎng)絡(luò)。之后，相繼出現(xiàn)了基于CNN的改進模型：LeNet、AlexNet、VGG、GooleNet和ResNet。CNN是經(jīng)典的深度學習網(wǎng)絡(luò)，最大的優(yōu)點是它的多層結(jié)構(gòu)具有自動學習的特點［11］。

CNN基本結(jié)構(gòu)包括卷積層、池化層和全連接層。卷積層提取輸入數(shù)據(jù)的不同特征，且通過權(quán)值共享減小模型的復雜度，使網(wǎng)絡(luò)更易于訓練；池化層通過降低輸入特征的分辨率獲得具有空間不變性的特征，起到二次提取特征的作用；全連接層或稱分類器，整合卷積層和池化層中具有類別區(qū)分性的局部信息［12］。因此，CNN通常是醫(yī)學圖像分類的首選。

1.2 RNN

RNN通常用于處理序列數(shù)據(jù)［13］。RNN的層級結(jié)構(gòu)由輸入層、隱藏層和輸出層組成，其最大的特點的是隱藏層之間的神經(jīng)元是有連接的，即神經(jīng)元在某時刻的輸出可以作為輸入再次輸入到神經(jīng)元，這種串聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)非常適合于時間序列數(shù)據(jù)，可以保持數(shù)據(jù)中的依賴關(guān)系,因此具有記憶能力。但是此模型很難訓練，往往會出現(xiàn)梯度消失或梯度爆炸的問題，無法達到長期依賴的目標。為此，提出了長短期記憶網(wǎng)絡(luò)和門控循環(huán)單元來解決長期依賴問題［8］。

1.3 DBN

DBN由Hinton等［14］提出，它是一種生成模型，通過訓練器神經(jīng)元間的權(quán)重，可以讓整個神經(jīng)網(wǎng)絡(luò)按照最大概率來生成訓練數(shù)據(jù)。DBN既可以用于識別特征、分類數(shù)據(jù)，也可以用來生成數(shù)據(jù)。DBN的組成元件是受限玻爾茲曼機。DBN由多層神經(jīng)元構(gòu)成，分為顯性神經(jīng)元和隱性神經(jīng)元（顯元和隱元）［8］，顯元用于接收輸入，隱元用于提取特征，也稱特征檢測器，層與層之間的神經(jīng)元存在連接，但層內(nèi)的神經(jīng)元間不存在連接。

1.4 AE

AE包括編碼層、隱藏層和解碼層，編碼層壓縮圖像數(shù)據(jù)，解碼層將其擴展，中間的隱藏層學習圖像內(nèi)像素的復雜關(guān)系［15］，起到對目標特征提取和降維的作用。為了實現(xiàn)分類，在AE的最頂層的編碼層添加一個分類器。AE的變體包括稀疏自編碼器、降噪自編碼器。

2 深度學習在醫(yī)學影像中的應(yīng)用

2.1 疾病的分類

在醫(yī)學圖像分類中，通常將一個或多個圖像作為輸入，單個診斷變量作為輸出（例如是否存在疾?。?，CNN是目前圖像分類領(lǐng)域的標準［8］。

深度學習方法在肺結(jié)節(jié)分類的應(yīng)用主要是肺結(jié)節(jié)性質(zhì)（實性結(jié)節(jié)、部分實性結(jié)節(jié)、磨玻璃結(jié)節(jié)）的鑒別和良惡性判斷［16］。Li等［17］構(gòu)建了基于深度學習的計算機輔助診斷系統(tǒng)（DL-CAD）模型與由兩個放射科醫(yī)生組成的雙重診斷對CT肺結(jié)節(jié)性質(zhì)的鑒別比較，結(jié)果顯示，DL-CAD對實性結(jié)節(jié)、磨玻璃結(jié)節(jié)的敏感性與特異性分別是90.3%和100%、100%和96.1%，非常接近于雙重診斷，說明DL-CAD模型對肺內(nèi)的實性結(jié)節(jié)和磨玻璃結(jié)節(jié)的診斷與放射科醫(yī)生的診斷具有一致性；但是DL-CAD鑒別部分實性結(jié)節(jié)的敏感性與特異性降低到了55.5%和93%，說明DL-CAD在診斷肺內(nèi)部分實性結(jié)節(jié)的性能上仍有待提高。Zhang等［18］在少于70名受試者的小數(shù)據(jù)集中測試體素級一維CNN模型的分類性能，結(jié)果表明，該模型成功地區(qū)分胸部CT影像中肺結(jié)節(jié)的良惡性，AUC、準確性、敏感性、特異性分別為0.71±0.08、0.78±0.03、0.8±0.11、0.53±0.15。

2019年末，全球爆發(fā)了新型冠狀病毒肺炎（COVID-19）。影像學方面的研究顯示，磨玻璃結(jié)節(jié)和實變是COVID-19患者肺部主要的影像學表現(xiàn)。Guan等［19］觀察入院的975例COVID-19患者CT圖像，86.2%顯示胸部影像有異常，其中最常見的影像學表現(xiàn)是磨玻璃結(jié)節(jié)（56.4%）和雙肺斑片狀陰影（51.8%）。針對COVID-19的大爆發(fā)，胸部CT檢查在疾病的篩查與患者復查中不可或缺，我們可以應(yīng)用深度學習模型幫助放射科醫(yī)生早期對COVID-19做出診斷，并提高準確性。

此外，深度學習在MRI方面也有一定的應(yīng)用，目前尚在研究階段。MRI由于無電離輻射且成像對比度好，因此普遍用于腦疾病的診斷，但MR圖像包含大量的數(shù)據(jù)信息，使放射科醫(yī)生分析圖像和診斷疾病的工作更復雜。由于標注的數(shù)據(jù)量有限,用于預訓練的數(shù)據(jù)集少，在訓練過程中會產(chǎn)生過擬合，而遷移學習可以解決這一問題，它是將在之前一個相對大的數(shù)據(jù)集學習到的知識或模型應(yīng)用到數(shù)據(jù)集少但相關(guān)的領(lǐng)域中［20］。例如，Talo等［21］使用基于CNN的遷移學習ResNet34模型對正常和異常腦部MR圖像進行自動分類，結(jié)果表明，ResNet34對613個MR圖像的驗證集準確分類，實現(xiàn)了100%的分類準確性。有研究用AlexNet、VGG-16、ResNet-18、ResNet-34和ResNet-50模型將腦部MR圖像自動分類為正常、腦血管病、腫瘤、退變和炎性病變，且使用5倍交叉驗證來評估五種預訓練模型的分類性能，其中ResNet-50模型分類準確性最佳，為（95.23±0.6）%［22］，說明這些模型可以實現(xiàn)醫(yī)學圖像的準確自動化分類。

2.2 圖像的分割

醫(yī)學圖像分割是要從背景圖像中識別器官或病灶的像素，而對器官或病灶的精確分割有利于影像上目標物體積、形狀等臨床指標的定量分析［8］。在醫(yī)學圖像分割中，最著名的架構(gòu)就是U-net［23］，其特點是等量的上采樣層與下采樣層的結(jié)合。U-net的基礎(chǔ)是全卷積神經(jīng)網(wǎng)絡(luò)，但又不同于全卷積神經(jīng)網(wǎng)絡(luò)。其中，U-net較淺的高分辨率層用來解決像素定位的問題，較深層用來解決像素分類的問題，將淺層特征圖與深層特征圖結(jié)合，用于圖像分割及邊緣檢測［11］。但是U-net往往會忽略不同比例特征圖的影響，之后提出的特征金字塔網(wǎng)絡(luò)用于檢測不同比例物體［24］。

為了定量評估模型的分割性能，相關(guān)的測量指標有戴斯分數(shù)、平均絕對距離、豪斯多夫距離等［25］。例如，左心室的分割是定量測量一些臨床數(shù)據(jù)（如面積、體積和射血分數(shù)）的關(guān)鍵，Moradi等［26］構(gòu)建了多特征金字塔U-net（MFP-Unet）模型分割超聲心動圖中的左心室結(jié)構(gòu)，與U-net、dilated U-net、U-net++、ACNN、SHG 和Deeplabv3架構(gòu)比較，結(jié)果表明，MFP-Unet在各項測量指標中均取得最佳的結(jié)果，與手動計算的體積、面積、長度和射血分數(shù)之間的高度一致性。

此外，有研究使用U-net的變形架構(gòu)自動分割腰部MR圖像中的椎旁肌肉［27］，該模型包含兩個主要模塊：殘差模塊和特征金字塔注意力模塊，并納入120例患者，與其他多種模型比較，來評估該模型的分割性能。結(jié)果顯示，在分割多裂肌的測試集中，該模型的戴斯相似系數(shù)、靈敏性、特異性、豪斯多夫距離分別為0.949±0.034、0.951±0.046、0.950±0.035、4.62±2.81；在分割豎脊肌的測試集中，該模型的戴斯相似系數(shù)、靈敏性、特異性、豪斯多夫距離分別為0.913±0.082、0.920±0.100、0.919±0.073、7.89±5.61。結(jié)果表明，該模型可以對腰部MR圖像中的椎旁肌肉精準的分割，以實現(xiàn)腰椎疾病（如慢性腰痛、腰椎間盤突出、椎管狹窄等）的自動化分析。

Budak等［28］提出使用級聯(lián)深度卷積編碼器-解碼器神經(jīng)網(wǎng)絡(luò)進行肝臟及肝腫瘤的分割，結(jié)果顯示，該方法對肝臟分割的DICE分數(shù)是95.22%，與手動分割肝臟具有很好的一致性；對肝臟腫瘤分割的DICE分數(shù)是63.4%，此值雖然很低，但仍比其他方法的性能水平平均高3.3%?？梢?，在醫(yī)學圖像分割中，多種基于深度學習的架構(gòu)在對器官或病灶的自動分割上與手動分割具有高度的一致性。

2.3 病灶的檢測

在醫(yī)學圖像中檢測異常（包括腫瘤和其它可疑物的生長）是放射科醫(yī)生日常工作中常見的部分。但是，病灶區(qū)域相對于整幅圖像往往很小，人工標記病灶費時且具有主觀性，基于深度學習的自動檢測方法可提高病灶檢測的效率和可靠性，目前多應(yīng)用于肺結(jié)節(jié)、乳腺癌的檢測。

Ye等［29］使用AlexNet、GoogLeNet和ResNet50模型檢測肺結(jié)節(jié)。結(jié)果表明，AlexNet檢測肺結(jié)節(jié)的性能最佳，檢測率為95%；預訓練的ResNet50對磨玻璃結(jié)節(jié)的檢測性能較好，準確性是0.87，F(xiàn)值最大值0.87 805。有研究納入346位健康受試者，比較基于深度學習的計算機輔助診斷（DL-CAD）與由兩個放射科醫(yī)生組成的雙重診斷對CT肺結(jié)節(jié)的檢測性能。結(jié)果顯示，DL-CAD和雙重診斷對肺結(jié)節(jié)的檢測率分別是86.2%和79.2%（P＜0.001）［17］。這說明DL-CAD對肺結(jié)節(jié)的檢測優(yōu)于雙重診斷。但也有研究發(fā)現(xiàn)，DL-CAD檢測肺結(jié)節(jié)的假陽性率比雙重診斷更高。

一個高性能的肺結(jié)節(jié)檢測系統(tǒng)必須具有高靈敏性和高精確性，因此，肺結(jié)節(jié)檢測系統(tǒng)包括兩個階段，一個是結(jié)節(jié)的檢出，另一個是降低檢測的假陽性率［16］。為此，有研究提出了一種降低假陽性率的方法［30］，MR-森林是肺結(jié)節(jié)檢測中降低假陽性的深度決策框架。他們在兩個數(shù)據(jù)集中比較MR-森林與Multi-view、3DDCNNs（PATech）、3DDCNNs（Ding）、LightGBM 模型降低肺結(jié)節(jié)假陽性率的CPM分數(shù)，結(jié)果顯示，MR-森林在兩個數(shù)據(jù)集中的CPM分數(shù)分別為0.865和0.910。其結(jié)果表明，MR-森林可替代自動肺結(jié)節(jié)檢測系統(tǒng)，既滿足了資源消耗低又滿足有效性。可見，目前使用的深度學習方法在肺結(jié)節(jié)檢測系統(tǒng)中的應(yīng)用很成熟，檢測準確率高且假陽性率低。

還有許多研究集中在乳腺病變上，例如，Ribli等［31］構(gòu)建了基于Faster R-CNN的CAD模型，用于對乳腺X線照片的病變進行檢測和良惡性分類。結(jié)果顯示，該模型在INbreast數(shù)據(jù)庫中的AUC=0.95，對乳腺良惡性病變具有很好的分類性能。同時，該模型在INbreast數(shù)據(jù)庫中檢測惡性病灶的靈敏性為0.9，可見基于Faster R-CNN的CAD模型對乳腺惡性病灶的檢測性能較CAD系統(tǒng)的特性好。在乳腺X線攝影中，使用CNN進行檢測和分類之間存在很多重疊，因為許多設(shè)計用于檢測的CNN最終也旨在對病變進行分類［32］。

病灶的檢測、分割和分類都是為了準確的診斷病變，Gao等［20］提出了多任務(wù)深度學習（MTL）將病灶檢測、分割和分類問題聯(lián)合解決，這是一種通過特征遷移（FT）實現(xiàn)的MTL模型，即FT-MTL-Net。為了評估該方法的有效性，將FT-MTL-Net與文獻中的各個模型進行了比較，這些模型均使用公開提供的全數(shù)字化乳腺X線照片數(shù)據(jù)集進行乳腺癌診斷。實驗結(jié)果表明，所提出的FT-MTL-Net在分類和檢測方面優(yōu)于其他模型，并且在分割方面具有可比性。

3 總結(jié)與展望

目前，深度學習方法在醫(yī)學影像上的研究還主要集中在發(fā)病率比較高的疾病上，即可獲取的患者圖像數(shù)據(jù)量比較多的疾病研究中，而對一些罕見疾病的研究則很少。這是由于深度學習神經(jīng)網(wǎng)絡(luò)層數(shù)多、層次復雜，需要大量的數(shù)據(jù)進行模型訓練和測試，才能準確提取疾病的圖像特征。在醫(yī)學領(lǐng)域中，高質(zhì)量標注的影像數(shù)據(jù)很少，會導致訓練數(shù)據(jù)的類別不平衡，當各類別訓練數(shù)據(jù)不平衡時，預測結(jié)果會偏向樣本量多的類別，出現(xiàn)過擬合問題［33］。Dropout是防止過擬合的一大有力手段，Dropout是指在深度學習網(wǎng)絡(luò)的訓練過程中，對于神經(jīng)網(wǎng)絡(luò)單元按照一定的概率將其暫時從網(wǎng)絡(luò)中丟棄。另外，可以通過數(shù)據(jù)擴增（縮放、翻轉(zhuǎn)、平移、旋轉(zhuǎn)、裁剪）的方法增加訓練和測試中的樣本量。

同時，全國各地醫(yī)院應(yīng)當實現(xiàn)醫(yī)學影像數(shù)據(jù)庫共享，在工作中及時將有價值的病例加入，不斷擴增疾病的樣本量，積極配合推進深度學習在醫(yī)學影像中的研究。因此，有必要建立高質(zhì)量數(shù)據(jù)庫和有效的深度學習模型，醫(yī)學影像豐富的數(shù)據(jù)模式也有利于深度學習方法研究的不斷完善?？傊疃葘W習方法的應(yīng)用可以極大的緩解放射科醫(yī)生的工作壓力，提高疾病的診斷效率和準確率，具有廣闊的前景。相信在不久的將來，會有完善的深度學習診斷模式應(yīng)用于醫(yī)學影像的臨床診療工作中。