基于深度学习的医学图像检测研究与挑战

摘 要：随着深度学习（DeepLearning，DL）技术的兴起，特别是2012年DL技术被引入到图像识别领域后，其识别率近年来屡创新高，已成为医学图像处理领域的研究热点。本文首先简述这一热点的背景与现状；接着，简述深度学习的基本原理，总结用于医学图像检测的常见深度学习模型；然后，梳理它们在脑部、肺部、乳腺等图像检测领域的国内外研究进展，并基于颅脑图像的检测提出了一种创新型的可移植检测算法；最后，探讨基于DL技术的医学影像检测面临的挑战与未来发展方向。

关键词：深度学习；医学图像检测；卷积神经网络；计算机辅助诊断

Deep Learning in Medical Image Detection and Its Challenges

Abstract: With the rise of deep learning (DL) technology, especially after DL technology was introduced into the field of image recognition in 2012, its recognition rate has reached new highs in recent years and has become a research hotspot in the field of medical image processing. This paper first briefly describes the background and current situation of this hot spot. Then, the basic principles of deep learning are briefly introduced, and the common deep learning models used for medical image detection are summarized. Then, they were combed through the research progress at home and abroad in the field of brain, lung, breast and other image detection, and an innovative transplantable detection algorithm based on the detection of cranial images was proposed. Finally, the challenges and future development directions of medical imaging detection based on DL technology are discussed.

Key word: Deep learning , Medical Image Detection , Convolutional neural networks , Computer-aided detection

1研究背景与现状

医学图像主要有以下六类：X射线、CT图像、MRI图像、PET图像、超声图像和病理图像，在进行检测时，主要会面临的问题有：高度依赖于成像所使用的设备与成像时的环境，大像素、低图像噪声比和低分辨率，图像的类型非常不同、难融合，生物个体之间存在差异，这些问题极大的影响了疾病的诊断和预防。同时，由于不同类型医学图像的快速积累，传统的图像分析无法更快、更高效、更准确地处理这些数据，漏检和错误检测的可能性将显著增加，传统的图像分析方法在诊断疾病方面面临着巨大的问题。
随着人们健康意识的提高，医学健康越来越受到重视，重大疾病的早期发现、诊断和治疗已成为医学领域的重要课题。目前，在诊断严重疾病时，医生通常使用CT和MRI等医学图像，根据个人或群体医疗水平做出定性决策。由于诊断结果往往是主观的，这会导致患者无法得到及时的诊断并失去治疗机会。此外，严重疾病活检是创伤性治疗，除了病人们会因此忍受巨大的痛苦，医生也很难获得关于疾病的全面信息。术后病理学是一种滞后的治疗方法，不能指导术前的诊断和治疗。因此，临床医学中对严重疾病进行准确、无创的早期诊断和治疗已成为一个重要课题。
现阶段，基于AI技术的医学图像临床应用主要集中在图像诊断，主要是临床辅助筛查、诊断、分类、决策和指导良性恶性肿瘤、脑功能和精神疾病，心脑血管疾病及其他严重疾病的治疗效果评估等。一方面，可以通过使用深度学习的认知能力来识别患者的医学图像并获取重要信息，从而帮助医生提高工作效率。另一方面，基于深度学习技术，可以对许多可用的图像数据和临床信息进行训练，以诊断、定位疾病并帮助诊断，减少医生误诊和漏诊的概率，从而减轻患者的痛苦，争取疾病的早日康复，具有重要的现实意义。

2深度学习

深度学习是在机器学习领域下的一个分支，在图像处理、语音识别等众多领域取得了突破性进展，应用潜力很大。深度学习最初起源于对人工神经网络的研究，一般是指通过构建多层网络结构对未知数据进行分类或回归，获得数据的高层次特征，表示数据的抽象语义信息，获得更好的特征鲁棒性(Bengioand Delalleau,2011)；通过复杂函数逼近，学习到数据集的深藏的本质特征(Hinton et al.,2006)。根据深度学习的结构，可以将其分为：生成性深度结构、区分性深度结构、混合型结构(孙志军etal.,2012)，此外，还可分为有监督的学习方法和无监督的学习方法，其中有监督的学习方法一般有深度前馈网络、卷积神经网络、循环神经网络等，无监督的学习方法一般有深度信念网、深度玻尔兹曼机，深度自编码器等。将深度学习应用于医学影像分析，能够辅助医生做出更好的决策，更快为患者提出最优治疗方案。
本节接下来概述了应用于医学图像检测的一些最常见的深度学习模型，它们的识别率近年来在医学影像中屡创新高：自编码（Auto Encoder，AE）及其改进算法、深度信念网络（Deep Belief Network，DBN）及其变种模型、卷积神经网络（Convolutional Neural Networks，CNN）模型及其改进模型等。
得益于深度学习的普及，近年来有许多新的深度神经体系结构也被提出，但由于这些结构目前还未被广泛地应用于医学图像检测领域，在此不做阐述。

2.1自编码神经网络

自编码器是一种无监督的学习模式，可以从未经标记的数据中学习并获得其隐藏的有效特征。在过去五年中，它发展迅速。传统的自编码器是由编码和解码阶段组成的对称结构。编码阶段可以被视为确定性映射，将输入信号转换为隐藏层，而解码阶段旨在尽可能将在输入信号中重新映射隐藏层表示(Yuanetal.,2019)。

图1: AE结构图

由于自编码器可以进行无监督学习，不需要任何先验知识，不需要消耗大量劳动力成本来生成高质量的数据集，与有监督学习相比，工作量大大减少，并且在图像分类和检测中具有广泛的应用。自编码的目的是使输出尽可能与输入相同，因此我们更关注结构中的隐式表示。在分析了隐藏层节点数量对分类精度的影响后，发现随着隐藏层节点数的增加，分类精度有增加的趋势，这为网络结构的设计提供了理论依据(Wang et al.,2016)。在医学图像应用领域，改进的编码器主要有：使用基于自动编码器的半监督方法，可以同时使用集成的图像分类和重建系统，实现优于压缩感知技术的重建效果(Gognaetal.,2019)；将输入信息作为学习目标，对输入信息进行表征学习，通过稀疏性参数对自编码器隐层节点进行稀疏性约束，以便识别核的区别特征的堆叠稀疏自编码器（Stacked Sparse Autoencoder，SSAE）(Xuetal.,2014)。

2.2深度信念网络

传统的基于梯度的算法会在深度架构中产生梯度消失问题，而深度信念网络是一种克服了该问题的概率生成模型，它可以通过顺序堆叠若干个受限玻尔兹曼机（Restricted Boltzmannmachine,RBM）构建。在该网络中，远离可视层的部分使用RBM，而靠近可视层的一层网络使用贝叶斯信念网(李卫,2014)。DBN使用分阶段的训练方法，过程分为两个阶段：对逐层预训练上述RBM；对整个网络使用反向传播算法进行监督调优。

图2: DBN结构图

出于DBN在学习深层结构上的突出表现，近年来提出了多种DBN变种模型，比较常见的有：不特殊要求应用的场景，利用神经元激活，使用生长和剪枝算法，无需人工经验，自动确定结构的自组织DBN(Ranzatoetal.,2008)；适用于无监督或弱监督且在数据分布上知识源和目标域比较相似的情况，冻结从预先训练单个隐藏层的基本DBN结构中学习到的权重参数、使用迁移学习策略将知识把权重参数从原来的地方迁移到新的神经元和隐藏层，最后使用自上而下的偏最小二乘回归来对权重参数进行进一步微调，以实现信念网络结构大小的自动确定的增量DBN(Wangetal.,2018)；由于存在密集表示，将大部分或所有原始信号通过线性组合来减小基本信号，可以在一定程度上避免由其引起的网络不稳定性、保护中间隐含层特征表示向量免受减少输入干扰的影响、网络输出稳定性大大提高的稀疏DBN(Ranzatoetal.,2008)。其中，自组织DBN和增量DBN都使用了可变结构机制，目的都是为了探索将网络的学习效率进一步提高，关于二者的研究仍处于初步阶段(王功明etal.,2021)。

2.3卷积神经网络

卷积神经网络的基本结构由输入层、卷积层、池化层（也称为取样层）、全连接层与输出层，这五个单元层级构成，一般会交替设置若干个卷积层和池化层。由于卷积层的输出特征表面中的每个神经元的输入值都与其输入局部连接，并且通过用局部输入加权相应的连接权重以及偏移值来计算神经元的输入数值，该过程等效于卷积过程，因此称为卷积神经网络(Zhouetal.,2017)。

图3: CNN结构图(Haykin and Kosko, 2009)

众多学者在CNN的基础上提出了一系列改进模型：使用微型神经网络（1*1卷积核）代替传统CNN的卷积过程、在不损失分辨率的前提下大幅增加非线性特性，以增强神经网络表示能力的深层网络，网中网（Network in Network，NIN）模型(Linetal.,2013)。使用CNN的思想，逆向构建此结构，并达到了更加便于分析的效果的反卷积（Decon-volutionalNetworks）；由结合卷积与反卷积结构，尤其适用于具有大量无标注、有标注类别比较少的非平衡数据集的SWWAE(Stacked What-Where Auto-Encoders)；为网络设计显式的处理模块，学习平移与旋转中的变换，由参数预测、坐标映射、像素采集三部分组成的空间变换网络（Spatial Transformer Networks，STNs）(Xuetal.,2016)。

3基于深度学习的医学图像检测

医学图像检测，又称为病灶检测，通常是指在影像中定位和识别病变区域时，采用计算机进行辅助检测(computer-aideddetection，CAD)。普通的临床病灶检测易受到阅片医生经验与水平的影响，出现漏检或者误检等情况，耽误患者的治疗进程，通过使用计算机辅助检测，能够提高医生进行病灶检测的准确性和效率，且具有一致性和可重复性，在减少医生的工作量的同时，获得精确的诊断或分类结果。
医学影像学术界最初专注于无人监督的预训练和网络架构，如SAE和RBM。现在已经大量转向应用CNN进行医学图像识别检测(林金朝etal.,2018)。由于深度学习需要大量的医学影像作为基础。目前深度学习方法在影像中较成熟的应用主要集中在患病率十分高、有较大数据量的几大病症，如肺癌、乳腺癌、阿尔茨海默症等。本文接下来针对脑部、肺部、乳腺这三类图像，对近年来的检测技术进行详细梳理；同时，对其他疾病的监测中有突出影响力的研究进行介绍。

3.1 脑部图像

3.1.1 阿尔兹海默症

阿尔茨海默症（alzheimer disease，AD）的主要临床特征一般表现为综合性痴呆，比如记忆障碍、执行功能障碍、性格和行为改变。迄今为止，AD的病因和治疗方法尚不清楚。准确的AD早期诊断和及时的积极干预可以有效地延缓阿尔茨海默病的进展。轻度认知障碍（mild cognitive impairment，MCI)是介于正常衰老和AD之间的一种状态。由于MCI患者更易比其他患者发展为阿尔茨海默病，因此MCI的检测通常涉及AD患者的检测，这也可以作为确定患者未来是否会患AD的重要指标。
阿尔兹海默症的检测从初期阶段的基于传统深度学习，对整个脑部图像进行检测，逐渐倾向于改进深度学习方法、关注脑部的特定区域以提优化检测效果。LiF等(2014)改进了经典深度学习算法，利用dropout技术来防止权重的自适应，避免了一定的过拟合现象，此外，他们在经典深度学习架构中添加了稳定性选择、多任务学习策略和自适应学习因子，相比于使用经典深度学习算法识别AD患者所处阶段，该模型识别准确率平均提高了5.9%。Sarraf等(2016)利用CNN将AD与正常的健康脑进行了检测与区分，达到了96.85%的准确率;魏志宏等(2021)关注图片中的特征，提出一种多输出3D-CNN,来增强特征传播,减少特征信息的丢失，他们通过增加中间层的连接和输出,将输出和输入之间的距离缩短,在实验的测试集上达到了91%的精确率。根据对阿尔兹海默症的研究，发现该病症通常导致大脑海马体区域萎缩。林伟铭等(2017)将这一现象作为先验知识，进行检测，他们使用卷积神经网络，仅针对脑部核磁共振图像的海马体区域进行识别，结果表明，在使用脑部MRI图像进行诊断时，该方法的效果相较于SAE方法有较大提高。

3.1.2 脑微出血

脑微出血(Cerebralmicrobleeds,CMBs)会导致脑神经系统结构和脑白质的破坏，引发的临床症状一般表现为各种认知损害(邱冬etal.,2021)。因此,及时对该症状进行检测对血管性疾病和痴呆的诊断有着重要的临床指导意义。但由于脑微出血的明显症状者少见，相关数据集小，在此领域的研究仍处于初级阶段。香港中文大学Chen等(2015)结合SVM分类器，提出了一种基于深度学习的三维特征表示的自动检测方法，能够检测脑微出血情况。Dou等(2016)通过充分利用MRI图像中的信息，提取更具有代表性的高级特征，使用三维卷积神经网络从图像中自动检测脑微出血，达到了高达93.16%的检测精度。靳晨(2019)使用一种基于3D神经网络的两阶段级联检测框架,整体和精确识别了磁共振图像数据中脑微出血的情况，不仅做到了能够减少所获假阳性样本的数量，还在检测的准确度上达到了95.51%。

3.2 肺部图像

肺癌一种恶性肿瘤，在中国发病率最高，根据大样本随机对照试验，在进行肺癌筛查时采用低剂量螺旋CT，尽快、今早的检测出肺癌患者，可使得肺癌死亡率降低20%～24%(Koning et al.,2020)。目前，肺癌检测一般是基于可以承载更多信息的CT图像进行的，由于公开的肺结核检测CT图像数据集量大、质量高，许多研究者针对此病症的检测提出了一大批基于深度学习算法。在针对肺结节的检测中，根据大致的时间发展顺序，常见的深度学习算法主要有：基于卷积神经网络的二维卷积神经网络（2D-CNN）、三维卷积神经网络（3D-CNN）和更快速的区域卷积神经网络（Faster R-CNN）。
2D-CNN架构简单、所需构建与计算时间短、网络的复杂度比较低，Setio等(2016)使用此网络，提出了一种新的基于多视图卷积网络的检测系统，分别在每次扫描1次和4次假阳性时达到85.4%和90.1%的检测灵敏度。2D-CNN出于自身网络复杂度的限制，难以到达比较高的准确度，而以2D-CNN为基础，经过改进的3D-CNN能够从图像中获取更多的信息。苗光等(2018)首先利用2D-CNN计算时间短的特点，识别和定位CT图像中的疑似结节区域并计算该区域的坐标、提取疑似结节的三维立体图像块训练构建的二维框架。最后使用二分类候选结节的方法达到去除假阳性的目的，通过使用与前一个所述成果一致的实验结果检测方法，此方法灵敏度提升至87.3%和97.0%。Hamidian等(2017)训练3D-CNN自动检测胸部CT图像中的肺结节，将具有固定视场的3D-CNN转换为三维全卷积网络，在每次扫描出现2个假阳性病例的情况时灵敏度达到91%。3D-CNN带来了更高的计算成本和复杂度，Huang等(2017)通过利用肺结节和混杂解剖结构等相关的医学知识，通过基于局部几何模型的过滤器，在图像中首先标记出可疑区域，并使用估计局部方向进一步减少结构的可变性，成功地在一定程度上避开了3D-CNN的缺点，减少了问题空间，更好地利用了3D-CNN的优点，在医学图像体积分析效果上获得了更优的成绩。
FasterR-CNN是结合区域卷积神经网络（region convolutional neural network，R-CNN）和快速区域卷积神经网络（fast region convolutional neural network，FastR-CNN）提出的一种深度网络框架(Renetal.,2016)，具有很快的检测精度与速度，十分适合用于检测小目标，其中就包括类似肺结节(赵清一etal.,2019)。该结构最初用于肺结节检测时，效果比较有限，Ding团队(2017)在FasterR-CNN中引入反卷积结构，解决了这个问题，并为了后续的假阳性的减少，在此基础上提出了一个三维DCNN，该团队设计的方法在LUNA16挑战赛中得到广泛验证，并摘得此挑战赛中本年减少假阳性指标最高的桂冠。Zhu等(2017)使用3DFasterR-CNN学习肺结节的特征，并针对结节的检测和分类各设计一个三维网络，获得了高于人工检测的性能。Xie等(2018)对FasterR-CNN的结构进行了调整，使用两个区域建议网络和一个反卷积层，在检测肺结节时的灵敏度达到了能达到86.42%的灵敏度。Zhu等(2018)通过探索使用电子病历，基于FasterR-CNN提出了一种新的深度3DConvNet框架DeepEM，在众多权威数据集上获得了很高的分数，成功利用了电子病历中的繁杂信息。

3.3 乳腺图像

乳腺癌是一种高发病率和高死亡率的癌症，已经超越肺癌成为世界第一大癌症。近年来，使用磁共振成像（MRI）检测乳腺癌，对于进一步发展和最广泛使用的图像检测方法十分有价值，目前已经得到了广泛的应用。虽然乳腺癌的患病率高、数据量大，但由于乳腺癌分为肿块型和非肿块型，特征差异大，针对此病症的高质量数据库的仍是十分匮乏，基于深度学习的乳腺MRI图像检测的还有待进一步发展完善(聂生东etal.,2022)。面对肿块型和非肿块型乳腺癌的特征差异，马伟等(2019)提出一套新颖的深度学习模型(YOLOv2+SegNet)，此模型使用粗检测、细分割的思想，在病症的检测精度上获得了明显的提升。Jiao等(2020)应用深度卷积神经网络，针对两种类型的乳腺癌，动态对比增强后的MRI中的乳腺分割和肿块检测，生成的模型在进行训练和验证后显示出良好的性能。陈彤(2020)使用深度学习方法和难样本挖掘机制，基于深度神经网络YOLACT的结构训练深度卷积神经网络，然后基于所得划分疾病区域，这将算法在测试集中的准确度提高了3%。面对高质量数据库的匮乏，研究者们开始尝试无监督或半监督的检测方法，Amit等(2017)使用一种混合的海量检测算法，使用无监督的候选检测与深度学习，从而更好地识别具有对称性的成对器官中的肿瘤区域。

3.4更具泛化性的图像

癌组织病理图像中细胞核的检测和分类是一项具有挑战性的任务，Sirinukunwattana等(2016)使用空间约束卷积神经网络(SC-CNN)进行核检测，结合CNN的邻近集合预测器来预测被检测细胞核的类别标签，显著提高了癌症检测的准确度，有助于癌症的理解。Shin等(2013)使用深度学习方法对腹部器官检测进行了研究，他们只使用了弱监督实验，测试了深度学习方法在磁共振医学图像腹部器官识别中的应用，对未标记的多模态DCEMRI数据集中的对象类进行分类，在一定程度上解决了医学图像中有标记的高质量数据集匮乏的现状。Yan等(2018)基于三维上下文增强区域的CNN，有效地组装3D上下文信息，编译2D图像映射，并开发出一种通用的疾病检测器，能够使用训练的模型检测腹部、骨骼、软组织等其它部位的疾病。Tao等(2019)以三维情境病灶检测的框架为基础，引入一种双重注意机制，例如对跨切片情境的注意，在软重采样过程中，他们有选择地聚合来自不同切片的信息，在一定程度上解决了病变区域在CT图像中有限的空间特征分辨率有限与难以从背景中区分病变区域的问题。

4基于对称性的脑部CT图像检测方法研究

人体大多数器官位置对称，在大多数疾病检测中，CT图像与其他影像中都可以看到明显的对称轴。在临床实践中，对称性也常常作为器官是否产生病变的基础标准。然而，由于器官中的对称轴难以提取，很少有研究者将其归纳入数据处理或者是神经网络结构中，作为机器判断病变的标准。将对称性引入神经网络结构中可以在一定程度上减少输入模型的数据，降低模型训练的时间，一定程度上提升准确性。本研究在基础旋转矩阵的基础上提出了新的对称轴寻找思路，可以较好地找出图像中的对称轴。具体效果如图4所示。

图4: 对称性样例

图中左侧为CT原图，右侧为经过算法修正后的图。从图中可以较为明显地看到，以图像左下角为原点建立坐标系，在经过处理后CT图像相对于y轴更加对称。此时可以认为y轴为其对称轴。在此基础上,应用相似性算子对于对称轴左右两侧图像进行比较，提取出来的数据可以作为新的指标加入深度学习模型中，对原有模型效果进行一定程度上的优化。

5总结与展望

本文介绍了应用在医学图像检测领域的常见深度学习算法，对当下的常用模型以及其先进模型进行汇总，梳理出基于深度学习的计算机辅助检测应用于一些重大医学疾病的国内外研究进展，提出未来可以发展的研究小方向。
在一般实践中，中国和其他国家或地区存在着共同的问题。中国医学的普遍实践特点是学科滞后，需要提高人才素质，劳动压力大，易出现职业倦怠等(杨辉etal.,2022)。所以，将深度学习广泛地应用于医学图像检测，辅助医学工作者也是市场的刚需。
目前，许多疾病的医学图像检测仍处于起步阶段或快速发展阶段。如何挖掘医学图像大数据中的特征信息，保持医学成像的高数据特性，解决可预测模型精度低、难以选择模型结构参数、深度学习辅助医学图像诊断泛化能力差等问题，进而提高检测的准确性和效率、疾病的识别和筛查的精度是当前研究的关键挑战。挑战促进进步，当前的学术界也充满着机遇和广阔的研究空间，我们可以预期，随着计算能力的进一步发展、深度学习算法的不断改进、医学与计算机学方面的硬件升级以及医学标记数据图像数量的增长和图像表示能力的不断增强，深度学习将在医学图像检测领域具有光明的前景。

参考文献

Guy Amit, Omer Hadad, Sharon Alpert, Tal Tlusty, Yaniv Gur, Rami Ben-Ari, and Sharbell Hashoul. 2017. Hybrid mass detection in breast mri combining unsupervised saliency analysis and deep learning. Springer, Cham.

Y. Bengio and O. Delalleau. 2011. On the expressive power of deep architectures. In Discovery Science.

H. Chen, L. Yu, Q. Dou, L. Shi, Vct Mok, and P. A. Heng. 2015. Automatic detection of cerebral microbleeds via deep learning based 3d feature representation. In IEEE.

Q. Dou, C. Hao, Y. U. Lequan, Z. Lei, and P. A. Heng. 2016. Automatic detection of cerebral microbleeds from mr images via 3d convolutional neural networks. IEEE Transactions on Medical Imaging, 35(5):1–1.

Q. Dou, H. Chen, L. Yu, J. Qin, and P. A. Heng. 2017. Multilevel contextual 3-d cnns for false positive reduction in pulmonary nodule detection.

A. Gogna, A. Majumdar, and R. Ward. 2019. Semi-supervised stacked label consistent autoencoder for reconstruction and analysis of biomedical signals.

S. Hamidian, B. Sahiner, N. Petrick, and A. Pezeshk. 2017. 3d convolutional neural network for automatic detection of lung nodules in chest ct. Proceedings of SPIE–the International Society for Optical Engineering, 10134:1013409.

Simon Haykin and Bart Kosko. 2009. GradientBased Learning Applied to Document Recognition. WileyIEEE Press.

G. E. Hinton, S. Osindero, and Y. W. Teh. 2006. A fast learning algorithm for deep belief nets. MIT Press, (7).

X. Huang, J. Shan, and V. Vaidya. 2017. Lung nodule detection in ct using 3d convolutional neural networks. In The 2017 IEEE International Symposium on Biomedical Imaging.

H. Jiao, X. Jiang, Z. Pang, X. Lin, and L. Li. 2020. Deep convolutional neural networks-based automatic breast segmentation and mass detection in dce-mri. Computational and Mathematical Methods in Medicine, 2020(4):1–12.

Hj. De Koning, Cm. Van Der Aalst, Pa. De Jong, Et. Scholten, K. Nackaerts, Ma. Heuvelmans, Jj.

Lammers, C. Weenink, U. Yousaf-Khan, and N. and Horeweg. 2020. Reduced lung-cancer mortality with volume ct screening in a randomized trial. The New England journal of medicine.

Feng Li, Loc Tran, Kim Han Thung, Shuiwang Ji, and Jiang Li. 2014. Robust deep learning for improved classification of ad/mci patients. In 5th International Workshop, MLMI 2014.

M. Lin, Q. Chen, and S. Yan. 2013. Network in network.

S. Minaee, Y. Y. Boykov, F. Porikli, A. J. Plaza, N. Kehtarnavaz, and D. Terzopoulos. 2021. Image segmentation using deep learning: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, (01).

M. Ranzato, Y. L. Boureau, and Y. Lecun. 2008. Sparse feature learning for deep belief networks. Advances in Neural Information Processing Systems, 20:1185–1192.

S. Ren, K. He, R. Girshick, and J. Sun. 2016. Faster r-cnn: Towards real-time object detection with region proposal networks. In NIPS.

S. Sarraf and G. Tofighi. 2016. Classification of alzheimer’s disease using fmri data and deep learning convolutional neural networks.

Arnaud Arindra Adiyoso Setio, Francesco Ciompi, Geert Litjens, Paul Gerke, Colin Jacobs, Sarah J. Van Riel, Mathilde Marie Winkler Wille, Matiullah Naqibullah, Clara I. S´anchez, and Bram Van Ginneken. 2016. Pulmonary nodule detection in ct images: False positive reduction using multi-view convolutional networks. IEEE Transactions on Medical Imaging, 35(5):1160–1169.

Shin, Hoo-Chang, Orton, R. Matthew, Collins, J. David, Doran, and J. Simon. 2013. Stacked autoencoders for unsupervised feature learning and multiple organ detection in a pilot study using 4d patient data.

K. Sirinukunwattana, Ear Shan, Y. W. Tsang, Drj Snead, I. A. Cree, and N. M. Rajpoot. 2016. Locality sensitive deep learning for detection and classification of nuclei in routine colon cancer histology images. IEEE Transactions on Medical Imaging, 35(5):1196–1206.

H. I. Suk and D. Shen. 2013. Deep learning-based feature representation for ad/mci classification. In International Conference on Medical Image Computing and Computer-Assisted Intervention.

Qingyi Tao, Zongyuan Ge, Jianfei Cai, Jianxiong Yin, and Simon See. 2019. Improving deep lesion detection using 3d contextual and spatial attention.

Y. Wang, H. Yao, and S. Zhao. 2016. Auto-encoder based dimensionality reduction. Neurocomputing, 184(apr.5):232–242.

G. M. Wang, J. F. Qiao, J. Bi, W. J. Li, and M. C. Zhou. 2018. Tl-gdbn: Growing deep belief network with transfer learning. IEEE Transactions on Automation Science and Engineering, PP(2):1–12.

H. Xie, D. Yang, N. Sun, Z. Chen, and Y. Zhang. 2018. Automated pulmonary nodule detection in ct images using deep convolutional neural networks. Pattern Recognition, 85.

J. Xu, X. Lei, R. Hang, and J. Wu. 2014. Stacked sparse autoencoder (ssae) for nuclei detection on breast cancer histopathology images. IEEE.

C. Xu, C. Lu, X. Liang, J. Gao, W. Zheng, T. Wang, and S. Yan. 2016. Multi-loss regularized deep neural network. IEEE Transactions on Circuits and Systems for Video Technology.

Ke Yan, Mohammadhadi Bagheri, and Ronald M Summers. 2018. 3d context enhanced region-based convolutional neural network for end-to-end lesion detection. In International Conference on Medical Image Computing and Computer-Assisted Intervention.

F. N. Yuan, L. Zhang, J. T. Shi, X. Xia, and G. Li. 2019. Theories and applications of auto-encoder neural networks: A literature survey. Chinese Journal of Computers.

F. Y. Zhou, L. P. Jin, and J. Dong. 2017. Review of convolutional neural network. Chinese Journal of Computers.

W. Zhu, C. Liu, W. Fan, and X. Xie. 2017. Deeplung: 3d deep convolutional nets for automated pulmonary nodule detection and classification.

Wentao Zhu, Yeeleng S Vang, Yufang Huang, and Xiaohui Xie. 2018. Deepem: Deep 3d convnets with em for weakly supervised pulmonary nodule detection.

孙志军, 薛磊, 许阳明, and 王正. 2012. 深度学习研究综述. 计算机应用研究, 29(8):5.

李卫. 2014. 深度学习在图像识别中的研究及应用. Ph.D. thesis, 武汉理工大学.

杨辉, 韩建军, 许岩丽, 高晓欢, 汪洋, 杨允利, and 曹新阳. 2022. 中国全科医学行业十年发展:机会和挑战 并存. 中国全科医学, 25(1):14.

林伟铭, 高钦泉, and 杜民. 2017. 卷积神经网络诊断阿尔兹海默症的方法. 计算机应用, 37(12):5.

林金朝, 庞宇, 徐黎明, and 黄志伟. 2018. 基于深度学习的医学图像处理研究进展. 生命科学仪器, (Z1):10.

王功明, 乔俊飞, 关丽娜, and 贾庆山. 2021. 深度信念网络研究现状与展望. 自动化学报, 47(1):15.

田娟秀, 刘国才, 谷珊珊, 鞠忠建, 刘劲光, and 顾冬冬. 2018. 医学图像分析深度学习方法研究与挑战. 自 动化学报, 44(3):24.

聂生东, 魏传令, and 张小兵. 2022. 基于磁共振影像的乳腺癌计算机辅助检测方法综述. 上海理工大学学 报, 44(1):11.

苗光and 李朝锋. 2018. 二维和三维卷积神经网络相结合的ct图像肺结节检测方法. 激光与光电子学进展, 55(5):9.

赵清一, 孔平, 闵建中, 周艳丽, 梁壮壮, 陈胜, and 李茂举. 2019. 肺结节检测与分类的深度学习方法综述. 生物医学工程学杂志, 36(6):9.

邱冬, 张东太, and 朱丹. 2021. 脑微出血的临床研究进展. 中国临床神经科学.

陈彤. 2020. 基于改进深度学习的乳腺癌医学影像检测方法. 现代计算机, (14):6.

靳晨. 2019. 基于3d神经网络的脑微出血检测. Master’s thesis, 山东科技大学.

马伟, 刘鸿利, 孙明建, 徐军, and 蒋燕妮. 2019. 新型乳腺磁共振增强图像肿瘤区域的自动分割模型. 中国 生物医学工程学报, (1):7.

魏志宏, 闫士举, 韩宝三, and 宋成利. 2021. 基于多输出的3d卷积神经网络诊断阿尔兹海默病. 波谱学杂 志.