基于深度学习的多模态医学图像融合方法研究进展

医学图像融合方法可以将有用的信息整合到一张图上，提高单张图像的信息量。对多模态医学图像进行融合时，如何对图像进行有效的变换，提取到不同图像中独有的特征，并施以适当的融合规则是医学图像融合领域研究的重点。近年随着深度学习的快速发展，深度学习被广泛应用于医学图像领域，代替传统方法中的一些人工操作，并在图像表示、图像特征提取以及融合规则的选择方面显示出独特优势。本文针对基于深度学习的医学图像融合进展予以探讨，介绍了卷积神经网络、卷积稀疏表示、深度自编码和深度信念网络这些常用于医学图像融合的框架，对一些应用于融合过程不同步骤的深度学习方法进行分析和总结，最后，分析了当前基于深度学习的融合方法的不足并展望了未来的研究方向。     

医学图像深度学习处理方法的研究进展

由于医学图像数据爆炸式增长,传统依靠医生人工对医学图像进行分析诊断,不仅工作效率低下,工作量大,还容易误诊、漏诊。随着人工智能(artificial intelligence,AI)技术的发展与应用,机器学习(machine learning,ML),尤其是深度学习(deep learning,DL)在医学图像分析领域发挥着越来越重要的作用。本文对DL在医学图像自动分割和分类识别中的研究进展进行综述,为DL在解决医学图像分析诊断方面提供有益参考。     

基于浅层与深层特征融合的胃癌前疾病识别

胃癌前疾病识别对降低癌变风险及胃癌发病率具有重要意义。提出一种基于胃镜图像浅层特征与深层特征融合的胃癌前疾病识别方法。首先,根据胃镜图像性质,手工设计75维浅层特征,包含图像的直方图特征、纹理特征以及高阶特征;然后,基于构建的Resnet、GoogLe Net等卷积神经网络,在其输出层前添加一个全连接层作为图像的深层特征,为保证特征权重一致,全连接层的神经元数目设计为75维;最后,串联图像的浅层与深层特征,使用机器学习分类器,识别胃息肉、胃溃疡和胃糜烂等3类胃癌前疾病。对每种疾病收集了380张图像,并以4:1的比例划分为训练集和测试集,然后基于该数据集,分别采用传统机器学习、深度学习、特征融合等3种方法进行模型训练和测试。模型在测试集上的结果显示,所提出的特征融合方法识别准确率高达95.18%,优于传统的机器学习方法(74.12%)和深度学习方法(92.54%)。所提出的方法能够充分利用浅层特征与深层特征,为医生提供临床决策支持以辅助胃癌前疾病诊断。     

基于磁共振图像的帕金森病计算机辅助诊断研究进展

近年来,由于帕金森病(PD)的临床复杂性与多模态磁共振(MR)图像的高维性,如何有效挖掘图像中特异性标记PD的影像生物标志物、建立高效的PD计算机辅助诊断(CAD)模型是研究中极具挑战性的问题。综述目前国内外研究进展,进一步分析MR多模态特征提取、特征选择、分类器模型等传统机器学习方法建立CAD模型的关键技术,并简要概述基于深度学习方法在早期PD分类诊断中的应用。指出基于多模态MR图像,采用机器学习或深度学习方法构建CAD模型,能够客观、准确地识别PD患者,对提高早期PD诊断的准确性具有很大价值和应用前景。今后研究应更深入挖掘多模态MR图像中的潜在标记PD的影像生物指标,开发更高阶的CAD模型,以辅助早期PD的临床智能诊断。     

基于机器学习的血细胞分类研究进展

基于机器学习的血细胞分类方法已经引起了人们的广泛重视。本文探讨了近几年基于机器学习的血液细胞分类领域的相关研究成果与进展,对目前各种研究所用到的数据采集、图像预处理、图像分割、特征提取及分类器分类方法所用新技术做出详细的说明与分析。深度学习在机器学习基础上发展而成,因其端到端、高准确度等优势展现出强大发展前景。目前研究趋向于采取深度学习与人工特征提取结合、改进网络结构等新方法不断提高网络模型分类准确度及泛化性。然而,基于机器学习的血细胞分类技术投入临床使用仍存在一些问题与挑战。     

基于深度学习的医学图像分割研究进展

医学图像分割是医学图像定量分析的关键步骤之一,因此病灶分割对临床诊断有重要意义。针对传统分割方法中存在的过多依赖医学领域的先验知识和人为评估错误等问题,提出了基于深度学习的病灶分割方法。本文总结了卷积神经网络算法应用于医学图像病灶分割的研究进展。首先,论述卷积神经网络的基本结构及其常用架构;其次介绍深度学习在医学图像病灶分割中的应用,其中包括肺结节的检测和分类,脑肿瘤分割和乳腺病灶的分割;最后,分析了目前该研究中存在的优缺点并对深度学习的发展方向进行展望。     

机器学习在心血管疾病诊断中的研究进展

当前医生对心血管疾病的诊断主要依赖对患者心血管影像的分析,同时,医生还需要考虑患者的各项生理健康指标、既往病史、生活环境等信息,该方法存在效率低和成本高等问题。因此,人们试图利用机器学习方法辅助心血管疾病的诊断。本文首先总结了机器学习在冠状动脉计算机断层扫描、超声心动图、心电图等多种心血管影像处理中的应用;其次,对现有的机器学习模型进行了评估和分析;最后,本文认为虽然现有的基于机器学习的心血管疾病诊断方法已经可以媲美专业医生的水平,但是,该方法仍面临医学数据难以大量采集、医学成像信噪比低等困难。未来的研究方向应在小样本诊断模型的性能、多模态医学数据的融合、医学数据的共享等方面继续改进。     

基于深度学习网络的医学核磁共振成像超分辨率重构实验

基于深度学习网络的医学核磁共振（MR）图像超分辨重建实验研究,提出并构建一个大规模的高质量用于MR图像超分辨的数据集,涵盖了头颅、膝盖、乳房以及头颈4个部位。通过数据质量筛选和不同低分辨率图像生成方式,在原始图像的高分辨率基础下,以×2、×3、×4的下采样尺度,原始MRI图像形成3种不同尺度下的MR图像数据集,同时给出不同部位超分辨难易程度分析。采用7个在自然图像的超分辨率领域中取得最好效果的深度学习网络,将它们迁移到MR图像中,学习低分辨率MR图像到高低分辨MR图像的映射关系,并对比分析这些深度学习网络在自然图像的超分辨效果。通过实验可以看出,深度学习网络在MR图像超分辨取得了比传统算法更好的效果,部分结果不亚于自然图像;不同部位的超分辨效果差异较大,难以以一个深度学习网络使不同部位均具有更好的超分辨效果。深度学习网络在MR图像超分辨将具有重要的应用价值和理论意义。     

机器学习在腰椎间盘突出症诊治中的优势和应用策略

背景：基于机器学习的不同算法，如何借助各种算法模型开展腰椎间盘突出症的临床研究已成为目前智能化医学发展的趋势和热点。目的：综述机器学习不同算法模型在腰椎间盘突出症诊治中的特点，归纳相同用途的算法模型各自优势和应用策略。方法：计算机检索PubMed、Web of Science、EMBASE、中国知网、万方数据、维普及中国生物医学数据库中与机器学习在腰椎间盘突出症诊治中的相关应用文献，按入组标准筛选后最终纳入96篇文献进行综述。结果与结论：(1)机器学习的不同算法模型为腰椎间盘突出症的临床诊治提供了智能化、精准化的应用策略。(2)监督学习中的传统统计学方法和决策树在探究危险因素，制定诊断、预后模型方面简单高效；支持向量机适用于高维特征的小数据集，作为非线性分类器可应用于正常或退变椎间盘的识别、分割、分类，制定诊断、预后模型；集成学习可相互弥补单一模型的不足，具有处理高维数据的能力，提高临床预测模型的精度和准确性；人工神经网络提高了模型的学习能力，可应用于椎间盘识别和分类，制作临床预测模型；深度学习在具有以上用途的基础上，还能优化图像，辅助手术操作，是目前腰椎间盘突出症诊治中应用最广泛、性...     

人工智能在中医诊断中的应用进展

本研究立足于各类人工智能算法的数学原理,阐述了人工智能在中医诊断中的应用现状及问题。其中传统机器学习算法,如支持向量机、贝叶斯算法等因其小样本学习的特性,在闻诊、问诊等场景具备较高的精度与稳健性;而近年来新兴的深度学习算法则可以处理如图像、音频信号、文本等非结构化数据,与望诊、切诊等场景相契合;多模态深度学习则可以充分挖掘望闻问切数据中的信息,并在特征空间中进行隐式的四诊合参。人工智能的引入可以进一步推动中医的客观化、定量化发展,但其数据驱动的特性要求进一步规范现行的中医数据库建立流程。     

基于深度学习的生物医学数据分析进展

传统生物医学数据分析技术在大数据时代背景下,面临着巨大挑战,而深度学习技术在生物医学分析领域的应用,迎来了巨大的发展机遇。本文综述了深度学习在生物医学数据分析领域的最新研究进展。首先阐述了深度学习方法及工具,随后以时间为主线,围绕生物医学问题的提出、数据预处理方法、模型建立方法、训练算法重点总结了近五年深度学习在生物医学数据分析中的具体应用,并重点强调了医疗辅助诊断中的深度学习应用。最后给出了未来深度学习在生物医学数据分析领域可能的发展方向。     

基于深度残差网络的皮肤镜图像黑色素瘤的识别

恶性黑色素瘤是最常见和最致命的皮肤癌之一。临床上,皮肤镜检查是恶性黑色素瘤早期诊断的常规手段。但是人工检查费力、费时,并且高度依赖于皮肤科医生的临床经验。因此,研究出自动识别皮肤镜图像中的黑色素瘤算法显得尤为重要。提出一种皮肤镜图像自动评估的新框架,利用深度学习方法,使其在有限的训练数据下产生更具区分性的特征。具体来说,首先在大规模自然图像数据集上预训练一个深度为152层的残差神经网络(Res-152),用来提取皮肤病变图像的深度卷积层特征,并对其使用均值池化得到特征向量,然后利用支持向量机(SVM)对提取的黑色素瘤特征进行分类。在公开的皮肤病变图像ISBI 2016挑战数据集中,用所提出的方法对248幅黑色素瘤图像和1 031幅非黑色素瘤图像进行评估,达到86.28%的准确率及84.18%的AUC值。同时,为论证神经网络深度对分类结果的影响,比较不同深度的模型框架。与现有使用传统手工特征的研究(如基于密集采样SIFT描述符的词袋模型)相比,或仅从深层神经网络的全连接层提取特征进行分类的方法相比,新方法能够产生区分性能更强的特征表达,可以在有限的训练数据下解决黑色素瘤的类内差异大、黑色素瘤与非黑素瘤之间的类间差异小的问题。     

影像与基因特征分析方法在阿尔茨海默病中的研究进展

阿尔茨海默病(AD)是一种最常见的神经退行性疾病,且已有研究证实其表型易受遗传因素的影响。近年来,随着多模态脑成像和高通量基因组学在医学影像中广泛应用,通过数据挖掘、数学建模等方法,探索影像与基因的关联分析已成为新的热点。目前,用影像与基因特征联合分析来研究AD,并在AD的早期诊断、分类和预后分析等方面该技术的应用已经取得了重大的进展。首先对影像与基因特征分析技术进行概述,然后阐述了统计学及机器学习方法在影像与基因特征联合分析中的应用,最后对该技术的发展前景进行了展望。     

功能性磁共振成像在轻度认知障碍检测诊断的研究综述

现代社会中,阿尔茨海默病已经成为严重影响和限制个人日常生活甚至危及患者生命安全的一种疾病.轻度认知障碍作为阿尔茨海默病的前一个阶段,对其精确诊断有助于干预或降低患者转化为阿尔茨海默病的几率.目前,功能磁共振成像技术已经广泛应用于轻度认知障碍的检测诊断研究中.从特征提取、特征选择、数据降维和分类识别等方面,对fMRI在M...     

基于深度学习技术的磁共振成像研究进展

磁共振（MR）成像是当前应用于临床医学诊断的重要医学成像手段之一。如何缩短扫描时间进行快速成像一直以来都是MR成像领域中的热门研究问题。近年来，随着深度学习的兴起和快速发展，深度学习被广泛应用于医学图像处理领域中。目前基于深度学习的MR成像方法作为MR成像的新兴方向，相应的研究已取得了一系列进展。本文对几种常见的基于深度学习的MR成像方法进行归纳和简要分析，并对其研究前景进行了展望。