01卷积神经网络在医学图像的分析与诊断大放异彩
在深度学习中，卷积神经网络已经在医学图像识别中被广泛应用，各种不同的算法也是层出不穷。卷积神经网络（CNN）属于一类DL模型，该模型主要用于计算机视觉。卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
02卷积神经网络概念
卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（poolinglayer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。
这些模型具有多个处理层，可从输入像素数据中学习分层特征表示。早期网络层中的功能是通过本地接收域，权重共享和池化机制抽象化的，从而形成了丰富的功能表示，可以学习和分类输入到各自类中。由于缺乏足够广泛的医学图像数据，CNN接受了像ImageNet这样的大规模数据收集用于将学习的表示形式的知识以通用图像特征的形式传递给治疗任务。
03国内外卷积神经网络的医学图像分析的成就与不足
深入的CNN取得了惊人的成功，在一项国际研究中，研究人员评估，可视化和解释了CNN模型在将小儿CXR分类以检测肺炎，并进一步区分细菌性肺炎和病*性肺炎以促进需要紧急医疗干预的快速转诊方面的预测，CNN在研究的数据集中进行了端到端的培训，以提供准确，及时的病理诊断。
在医学图像分析中，深度学习分类通常利用医学图像中描述的目标病变，并将这些病变分为两类或更多类。例如，深度学习经常用于在计算机断层扫描（CT）图像上将肺结节分类为良性或恶性。
由于2D图像经常在计算机视觉中使用，因此针对2D图像开发的深度学习网络（2D-CNN）不会直接应用于放射学中获得的3D图像。为了将深度学习应用于3D放射图像，目前的研究使用了不同的方法，例如自定义架构。基于多平面重建从一个结节候选中提取了不同方向的2D图像斑块，并将这些斑块用于单独的流中并合并在完全连接的层中，以获得最终的分类输出。
先前的一项研究使用3D-CNN来完全捕获肺结节的空间3D上下文信息。他们的3D-CNN使用LIDC-IDRI数据库进行了二元分类（良性或恶性结节）和三元分类（良性肺结节以及原发性和继发性恶性肺癌）。他们在3D-CNN中使用了多视图策略，其输入是通过裁剪三个大小不同的肺结节3D斑块，然后将它们调整为相同大小来获得的。他们还在其3D-CNN中使用了3DInception模型，该模型将网络路径划分为具有不同卷积和池化运算符的多个分支。
时间序列数据通常是在放射学图像中获得的，例如动态对比增强CT/MRI或动态放射性同位素（RI）/正电子发射断层扫描（PET）。先前的一项研究使用了三个阶段的肝脏肿块的CT图像集（非增强型CT，以及动脉和延迟阶段的增强型CT）对2D-CNN进行肝脏肿块的分类。为了利用时间序列数据，该研究将三相CT图像用作具有三个通道的2D图像，这对应于2D-CNN的计算机视觉中的RGB颜色通道。研究表明，使用三相CT图像的2D-CNN优于使用双相或单相CT图像的2D-CNN。
卷积神经网络在医学图像分析中还要进行分割，器官或解剖结构的分割是医学图像分析的基本图像处理技术，例如在临床参数（器官体积和形状）的定量评估和计算机辅助诊断（CAD）系统。图像分类取决于目标病变的分割。分割可以由放射科医生或专门人员手动执行，这是一个耗时的过程。但是，也可以将卷积神经网络应用于此任务。
在大多数情况下，分割系统直接接收整个图像并输出其分割结果。分割系统的训练数据包括医学图像，其中包含感兴趣的器官或结构以及分割结果，后者主要来自先前执行的手动细分，与分类相反，因为将整个图像输入到分割系统，所系统必须捕获整个图像的全局空间上下文以进行有效的分割。
目前每年在美国进行近万次乳腺摄影检查。这些检查主要针对旨在早期发现乳腺癌的筛查程序。之前已经进行了基于卷积神经网络的CADe系统与依赖手工成像功能的参考CADe系统之间的比较。两种系统都在约张图像的大型数据集上进行了训练。这两个系统共享候选检测系统。
基于CNN的CADe系统根据候选人的