0 引 言

目前,各类医学影像数据积累迅速，给利用传统影像分析方法实现疾病诊断的医生带来了巨大挑战；随着技术发展，计算机视觉领域的深度学习方法日渐成熟，为实现医学影像的自动分析及辅助医生实现疾病的高精度智能诊断提供了新的契机(Cai等, 2020; Zhang 等, 2017)。然而，医学影像领域往往存在着数据较少、数据缺失和分类不均等问题。本文综述了深度学习方法在医学影像领域的最新研究进展，并介绍了深度学习方法以及该类方法在医学影像领域的应用情况。本文综述了“医学人工智能”领域最近发表的24篇学术杂志和学术会议论文，内容涉及核磁共振、CT(computed tomogrphy)、超声、病理和生物电信号等领域。最后，预测了研究动向和研究趋势，并提出深度学习在医学影像研究中可能的发展方向。

1 核磁共振影像分析

核磁共振是医学图像分析的主要研究领域之一，现有的研究文献包括阿尔茨海默病(Alzheimer’s disease, AD)核磁共振影像、帕金森病核磁共振影像、脑肿瘤核磁共振影像、前列腺癌核磁共振影像和心脏核磁共振影像等。

1.1 阿尔茨海默病 (Alzheimer’s disease, AD)

吕鸿蒙等人(2017)改进了著名的AlexNet分类模型，并提出改进原始模型的4 种增强AlexNet算法：AlexNet- 4 same5、AlexNet-s1 sames5、AlexNet-1314 398和AlexNet-i5_398(其中AlexNet-i5_398的结构如图1所示)，进行阿尔茨海默病核磁共振影像的2维分析。实验结果表明，在包含阿尔茨海默病、轻度认知障碍(mild cognitive impairment, MCI)和正常(healthy contro1, HC)的4个测试集合(AD vs HC、AD vs MCI、MCI vs HC、AD vs MCI vs HC)上，图像总数量超过7万幅，增强AlexNet的敏感度、特异度和精确度等指标均显著优于AlexNet。使用曙光W780-G20 服务器，利用8 块NVIDIA Tes1a K80 进行GPU 计算，增强AlexNet的耗时不超过30 min。

图1 增强AlexNet模型结构示意图(吕鸿蒙 等，2017)Fig.1 Schematic diagram of the enhancedAlexNet model structure (Lyu et al., 2017)

姚铁锤等人(2017)采用CaffeNet、GoogLeNet和VGG16(visual geometry group 16-layer net)进行阿尔茨海默病核磁共振影像的2维分析，获得了高于AlexNet的分类效果。

1.2 帕金森病 (Parkinson’s disease，PD)

基于吕鸿蒙等人(2017)的工作，张巧丽等人(2018)针对帕金森病的病理特点，提出了优化AlexNet算法，对帕金森病核磁共振影像进行2维分析。实验结果表明，在北京301 医院的帕金森病数据集合上，优化AlexNet算法的模型损失、准确率等指标显著高于AlexNet算法。

1.3 脑肿瘤

胶质瘤术前的准确分级对于治疗计划和预后预测是非常重要的。Yang等人(2018)采用迁移学习方法，选用AlexNet和GoogLeNet对脑胶质瘤核磁共振影像2维分析,进行低恶度脑胶质瘤(lower grade glioma, LGG)和高恶度脑胶质瘤(higher grade glioma, HGG)的分类预测，并用大规模自然图像数据库ImageNet对模型进行微调。实验结果表明，在113例胶质瘤患者的磁共振影像数据集合上，从零开始训练的GoogLeNet的验证准确率、测试准确度和AUC(area under curve)的平均值分别为0.867、0.909和0.939。迁移了ImageNet模型信息的AlexNet和GoogLeNet的性能显著优于从零开始训练的AlexNet和GoogLeNet，模型结构如图2所示。

图2 迁移了ImageNet模型信息的AlexNet和GoogLeNet结构示意图(Yang 等，2018)Fig.2 Schematic diagram of AlexNet and GoogLeNet with migrated ImageNet model information(Yang et al.， 2018)

基于深度学习的生物医学图像分析的一个关键因素是训练样本的数量和标注。针对基于深度学习的生物医学图像分析中训练样本数量不足和标注困难等问题，汪红志等人(2018)开发了基于虚拟磁共振图像(magnetic resonance imaging, MRI)技术平台的样本增广和数据标注的方法，并在正常人脑和脑肿瘤磁共振影像的数据集合上进行了验证。

1.4 前列腺癌

因为核磁影像是3维和4维的，需要对核磁影像直接进行3维和4维的分析。然而对3维医学图像使用卷积神经网络(convolutional neural network, CNN)进行训练处理时，经常会出现拟合现象，这是由于训练数据集数量不足而导致的。另外，由于3维卷积神经网络数据量大，计算量大，训练速度慢，需要针对高维度的核磁共振影像数据的相关特点来设计并行算法进行模型训练。

在复杂3维医学图像特征提取和图像识别难度大、训练数据集数量不足的情况下，神经网络所训练的模型容易产生过拟合现象。苏庆华等人(2019a)针对这一问题提出一种新的用于前列腺辅助诊断的简化AlexNet 3维模型，该模型优化了深度学习网络层次，采用较少的参数进行模型训练的方式以加快训练速度的目的，与此同时，参数量的降低也减少了过拟合的可能性。

文章来源：《诊断病理学杂志》 网址: http://www.zdblxzz.cn/qikandaodu/2021/0626/641.html