深度學(xué)習(xí)在輔助診斷系統(tǒng)中應(yīng)用的相關(guān)理論基礎(chǔ)綜述目錄TOC\o"1-2"\h\u3117深度學(xué)習(xí)在輔助診斷系統(tǒng)中應(yīng)用的相關(guān)理論基礎(chǔ)綜述 1191041.1肺癌輔助診斷系統(tǒng) 13891.2深度學(xué)習(xí)方法 1258581.3YOLO理論基礎(chǔ) 31.1肺癌輔助診斷系統(tǒng)在醫(yī)學(xué)圖像上充分發(fā)揮計(jì)算機(jī)的優(yōu)勢(shì)，輔助醫(yī)生分析診斷病灶區(qū)域，客觀性地得出診斷結(jié)果的技術(shù)稱為計(jì)算機(jī)輔助診斷技術(shù)。將計(jì)算機(jī)輔助診斷技術(shù)應(yīng)用于肺結(jié)節(jié)檢測(cè)方面，構(gòu)成一個(gè)肺癌輔助診斷系統(tǒng)，輔助醫(yī)生判斷是否患有癌癥。肺癌輔助診斷系統(tǒng)主要實(shí)現(xiàn)數(shù)據(jù)加載、數(shù)據(jù)預(yù)處理、肺實(shí)質(zhì)分割和肺結(jié)節(jié)檢測(cè)等功能。在肺癌輔助診斷系統(tǒng)中，首先加載原始CT圖像，由于成像設(shè)備不同，肺部CT圖像中可能存在噪聲影響了CT圖像的質(zhì)量，因此需要對(duì)CT圖像進(jìn)行去噪；之后為了更好地對(duì)肺結(jié)節(jié)進(jìn)行檢測(cè)，將圖像中肺部以外的地方去掉，對(duì)肺實(shí)質(zhì)進(jìn)行分割，得到感興趣區(qū)域，為肺結(jié)節(jié)檢測(cè)打好基礎(chǔ)；最后對(duì)肺結(jié)節(jié)進(jìn)行特征提取，選擇合適的結(jié)節(jié)檢測(cè)模型對(duì)肺部CT圖像進(jìn)行檢測(cè)，得到檢測(cè)結(jié)果，輔助醫(yī)生進(jìn)行診斷。1.2深度學(xué)習(xí)方法1.2.1卷積神經(jīng)網(wǎng)絡(luò)圖1.1LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)圖[35]卷積神經(jīng)網(wǎng)絡(luò)具有自我學(xué)習(xí)能力，可以自動(dòng)對(duì)圖像進(jìn)行特征提取，廣泛應(yīng)用在圖像分類、目標(biāo)檢測(cè)等問題中。卷積神經(jīng)網(wǎng)絡(luò)中包含有輸入層、卷積層、池化層、全連接層和輸出層，根據(jù)網(wǎng)絡(luò)搭建的不同分為很多種，較為典型的有LeNet-5網(wǎng)絡(luò)，其結(jié)構(gòu)[35]如圖1.1所示。（1）卷積層卷積層由多個(gè)卷積核組成，輸入數(shù)據(jù)中和卷積核大小相同的區(qū)域稱為“感受野”，將輸入數(shù)據(jù)與卷積核進(jìn)行卷積計(jì)算，提取數(shù)據(jù)的特征。卷積計(jì)算主要有線性卷積、反卷積和擴(kuò)張卷積。卷積層中通過改變卷積核大小、卷積步長(zhǎng)以及填充層數(shù)目，從而改變卷積層特征圖的輸出。卷積核大小通常不能大于輸入數(shù)據(jù)的尺寸，卷積步長(zhǎng)決定前后兩次卷積計(jì)算之間的距離，同時(shí)特征圖在進(jìn)行卷積計(jì)算之前進(jìn)行0填充或重復(fù)邊界填充。卷積操作實(shí)際為線性操作，為了增加非線性，提取更加復(fù)雜的特征，經(jīng)常在卷積層之后加入激活函數(shù)。常用的激活函數(shù)主要有以下幾種：Sigmoid函數(shù)、tanh函數(shù)、ReLU函數(shù)以及LeakyReLU函數(shù)，其數(shù)學(xué)表達(dá)式分別為等式2-1至等式2-4。 （2-1） （2-2） （2-3） （2-4）Sigmoid函數(shù)是單調(diào)連續(xù)函數(shù)，值域范圍為(0,1)，當(dāng)輸入很大或很小時(shí)，就會(huì)導(dǎo)致梯度消失，函數(shù)達(dá)到飽和，在反向傳播時(shí)幾乎沒有輸入；tanh函數(shù)比Sigmoid函數(shù)的收斂速度更快，值域范圍為(-1,1)；為了解決梯度消失問題，引入了ReLU函數(shù)，該函數(shù)僅需要確定閾值就可以被激活，但在輸入小于0時(shí)梯度為0，會(huì)導(dǎo)致神經(jīng)元壞死，是不可逆的，為此提出了LeakyRelu函數(shù)，在輸入小于0時(shí)，給出了一個(gè)斜率a，斜率a的值并不固定，可以改變。隨著特征在隱含層之間的傳輸，其均值和標(biāo)準(zhǔn)差會(huì)隨之發(fā)生變化，為了解決這一問題，引入批量歸一化（BatchNormalization,BN），對(duì)特征進(jìn)行標(biāo)準(zhǔn)化。（2）池化層在卷積計(jì)算之后，通常添加池化層對(duì)卷積層輸出的特征信息進(jìn)行降采樣，主要有最大池化和平均池化兩種操作。通過池化操作在空間上對(duì)數(shù)據(jù)降維，減少參數(shù)運(yùn)算量，防止出現(xiàn)過擬合現(xiàn)象，同時(shí)降低網(wǎng)絡(luò)的復(fù)雜程度。全連接層全連接層位于隱含層的末端，將卷積層和池化層提取的特征信息加載到全連接層進(jìn)行分類，一般情況下，全連接層的輸出范圍不在[0,1]之間，但是分類問題要求最后輸出在[0,1]之間，因此往往和softmax邏輯回歸結(jié)合起來使用。1.3YOLO理論基礎(chǔ)目標(biāo)檢測(cè)算法[36]主要有兩種，一種是首先檢測(cè)目標(biāo)可能存在的子區(qū)域，再在子區(qū)域中通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)特征進(jìn)行提取，進(jìn)而實(shí)現(xiàn)檢測(cè)；另一種是將目標(biāo)檢測(cè)視為一個(gè)回歸問題，直接將圖片輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，是一種端到端的目標(biāo)檢測(cè)網(wǎng)絡(luò)。YOLO就是一種端到端的目標(biāo)檢測(cè)算法，將目標(biāo)檢測(cè)任務(wù)分為目標(biāo)檢測(cè)概率以及邊框回歸兩部分，不需要提取候選區(qū)域，直接檢測(cè)到目標(biāo)的邊框回歸以及置信度，訓(xùn)練速度相對(duì)較快。YOLOv1[14]通過提取圖像的特征信息來進(jìn)行檢測(cè)，對(duì)每個(gè)類別產(chǎn)生預(yù)測(cè)邊界框。首先將輸入圖像分成一個(gè)網(wǎng)格，在進(jìn)行檢測(cè)時(shí)，觀察對(duì)象的中心在哪個(gè)網(wǎng)格中心，就由哪個(gè)網(wǎng)格對(duì)該對(duì)象進(jìn)行檢測(cè)。每個(gè)網(wǎng)格根據(jù)，，，和置信度這五個(gè)參數(shù)預(yù)測(cè)B個(gè)邊界框，其中表示預(yù)測(cè)邊界框的中心坐標(biāo)，和共同決定預(yù)測(cè)邊界框的尺寸大小，置信度表示預(yù)測(cè)框和真實(shí)框之間的IoU。模型損失函數(shù)由等式2-5計(jì)算： （2-5）其中表示檢測(cè)對(duì)象在第i個(gè)網(wǎng)格中，而表示第i個(gè)網(wǎng)格中的第j個(gè)邊界框?qū)υ搶?duì)象進(jìn)行預(yù)測(cè)，一二項(xiàng)計(jì)算邊界框損失、三四項(xiàng)計(jì)算置信度損失和最后一項(xiàng)計(jì)算類別損失。YOLOv1主要包含卷積層和全連接層，將圖像加載到Y(jié)OLOv1網(wǎng)絡(luò)中，首先通過卷積層提取圖像特征，在經(jīng)過全連接層對(duì)圖像中的對(duì)象進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)邊界框的置信度及坐標(biāo)位置。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1.2所示。圖1.2YOLOv1網(wǎng)絡(luò)結(jié)構(gòu)圖[14]YOLOv2[15]在YOLOv1的基礎(chǔ)上做了一系列嘗試[37]：（1）對(duì)所有的卷積層增加批量標(biāo)準(zhǔn)化，加速了模型的收斂；（2）加入高分辨率的分類器，使預(yù)訓(xùn)練與實(shí)際訓(xùn)練的分辨率相同；（3）去掉所有的全連接層