陈园琼 ,邹北骥 ,张美华 ,廖望旻 ,黄嘉儿 ,朱承璋
(1.中南大学计算机学院,湖南长沙410083;2.吉首大学软件学院,湖南张家界427000;3.“移动医疗”教育部-中国移动联合实验室,湖南长沙410083;4.机器视觉与智慧医疗工程技术中心,湖南长沙410083;5.中南大学文学与新闻传播学院,湖南长沙410083)
医学影像在临床应用、生命科学研究等方面具有重要作用。不同形态的医学成像技术通过采样或重建产生离散型图像,将数值映射到空域,形成表达解剖区域内部结构或功能的医学图像。从X射线、超声到计算机断层扫描(computed tomography,CT)、磁 共 振 成 像(magnetic resonance imaging,MRI)、正电子发射型计算机断层成像(positron emission computed tomography,PECT),成像技术的每次创新都是对医疗对象观察手段的丰富和观察能力的提高,在改进医疗手段、提高医疗水平等方面发挥了至关重要的作用。计算机科学的发展和进步极大地提高了医学影像的解读能力,深度学习[1]是机器学习的重要研究方向之一。近年来,深度学习在计算机视觉领域取得了令人瞩目的成就,将深度学习应用于医学影像的病灶目标分割、定位、检测、图像配准和融合等亦取得了显著进展,已实现对病灶的快速诊断,诊断时间大大缩短。
基于深度学习的医疗诊断虽然已取得巨大进展[2],但在临床实践中尚面临一些亟待解决的难题。
(1)数据驱动的深度学习算法,其泛化能力经常受质疑与挑战。样本数据不足、训练样本分布与真实样本分布不一致,均会导致算法性能急剧下降。不同于有强大数据集的自然图像处理,在极少医学样本场景下训练得到的模型能否用于高精度敏感的医学影像分析是其中被质疑的点之一[3]。……