第頁緒論1.1課題來源與背景本課題來源于國家重點研發(fā)計劃項目“面向復雜病變的多器械協(xié)同遞送血管介入手術機器人關鍵技術及應用研究”。世界衛(wèi)生組織（WorldHealthOrganization,WHO）最新報告指出，心血管疾病是全球第一大致死疾病，占全球死亡人口構成的31%左右ADDINEN.CITE<EndNote><Cite><RecNum>59</RecNum><DisplayText><styleface="superscript">[1]</style></DisplayText><record><rec-number>59</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1613961459">59</key></foreign-keys><ref-typename="WebPage">12</ref-type><contributors></contributors><titles></titles><volume>2021</volume><number>02.22</number><dates></dates><urls><related-urls><url>/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)</url></related-urls></urls></record></Cite></EndNote>[1]。同時，我國現在約有3.3億心血管疾病患者，心血管疾病的死亡率高居我國居民死亡原因之首，高于腫瘤、呼吸系統(tǒng)疾病等其他類疾病，且仍處于持續(xù)上升狀態(tài)，如圖1.1所示ADDINEN.CITE<EndNote><Cite><Year>2019</Year><RecNum>60</RecNum><DisplayText><styleface="superscript">[2]</style></DisplayText><record><rec-number>60</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1613961829">60</key></foreign-keys><ref-typename="Book">6</ref-type><contributors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">中國心血管健康與疾病報告</style><styleface="normal"font="default"size="100%">2018</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">國家心血管病中心</style></secondary-title></titles><dates><year>2019</year></dates><pub-location><styleface="normal"font="default"charset="134"size="100%">北京</style></pub-location><publisher><styleface="normal"font="default"charset="134"size="100%">中國大百科全書出版社</style></publisher><urls></urls></record></Cite></EndNote>[2]。其中，冠心病患者數高達1100萬人。1990-2017年中國農村居民主要疾病死亡率(b)1990-2017年中國城市居民主要疾病死亡率圖STYLEREF1\s1.SEQ圖\*ARABIC\s11我國居民死亡率主要疾病死亡率統(tǒng)計圖ADDINEN.CITE<EndNote><Cite><Year>2019</Year><RecNum>60</RecNum><DisplayText><styleface="superscript">[2]</style></DisplayText><record><rec-number>60</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1613961829">60</key></foreign-keys><ref-typename="Book">6</ref-type><contributors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">中國心血管健康與疾病報告</style><styleface="normal"font="default"size="100%">2018</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">國家心血管病中心</style></secondary-title></titles><dates><year>2019</year></dates><pub-location><styleface="normal"font="default"charset="134"size="100%">北京</style></pub-location><publisher><styleface="normal"font="default"charset="134"size="100%">中國大百科全書出版社</style></publisher><urls></urls></record></Cite></EndNote>[2]血管內介入手術是指在相關輔助器械的引導下，醫(yī)生通過體表穿刺點操作導管在人體血管內運動，通過導管注射造影劑，使得血管在X射線下顯示形狀，再依據血管影像操作其他介入器械（如支架、球囊等）到達病灶位置、實施相應治療手段的方法，例如最常見的經皮冠狀動脈介入手術（PercutaneousCoronaryIntervention,PCI）和主動脈腔內修復術（EndovascularAorticRepair,EVAR）ADDINEN.CITE<EndNote><Cite><Author>Lanzer</Author><Year>2007</Year><RecNum>61</RecNum><DisplayText><styleface="superscript">[3]</style></DisplayText><record><rec-number>61</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1613961995">61</key></foreign-keys><ref-typename="Book">6</ref-type><contributors><authors><author>Lanzer,</author><author>Peter</author></authors></contributors><titles><title>Masteringendovasculartechniques:aguidetoexcellence</title></titles><dates><year>2007</year></dates><publisher>LippincottWilliams&Wilkins</publisher><isbn>1582559678</isbn><urls></urls></record></Cite></EndNote>[3]。由于血管內介入手術可以使得患者創(chuàng)口更小、痊愈更快、并且具有更良好的術后預后結果和更高的安全性，目前這類手術是最常用的心血管疾病的治療方法ADDINEN.CITE<EndNote><Cite><Author>Langer</Author><Year>2016</Year><RecNum>51</RecNum><DisplayText><styleface="superscript">[4]</style></DisplayText><record><rec-number>51</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1608967617">51</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>N.B.Langer,</author><author>M.Argenziano,</author></authors></contributors><titles><title>Minimallyinvasivecardiovascularsurgery:incisionsandapproaches</title><secondary-title>MethodistDeBakeycardiovascularjournal</secondary-title></titles><periodical><full-title>MethodistDeBakeycardiovascularjournal</full-title></periodical><pages>4</pages><volume>12</volume><number>1</number><dates><year>2016</year></dates><urls></urls></record></Cite></EndNote>[4]。在血管內介入手術中，由于人體血管組織會被X射線穿透，從而在X射線造影圖像中不可見，為確定導管或其他介入器械與血管的相對位姿，醫(yī)生需要向血管內注射密度較大的造影劑來顯示血管形狀。注射造影劑前后的血管圖像如圖1.2所示。然而，由于部分血管（例如冠狀動脈）血流速度快、壓力強，造影劑通常在幾秒內就會充盈至整個血管然后褪色，每次顯影時間非常短暫。目前臨床上的解決方式是醫(yī)生在每次造影后選擇一幀X射線造影血管圖像固定作為術中參考圖像，并每隔一段時間就重新注入造影劑來更新參考圖像，所以術中大部分時間醫(yī)生都近似處于“盲操作”狀態(tài)。(a)無造影血管圖(b)X射線血管造影圖像圖STYLEREF1\s1.SEQ圖\*ARABIC\s12注入造影劑前后的冠脈血管圖像同時，注入過量的造影劑會給患者的腎臟造成額外的排泄負擔，對于腎臟功能較弱的患者甚至可能造成一定的身體損害。另一方面，長時間的X射線輻射對醫(yī)生的身體健康同樣具有危害性。長期暴露在輻射中的醫(yī)生癌癥患病率會上升，尤其是皮膚癌、甲狀腺癌等ADDINEN.CITE<EndNote><Cite><Author>Ambrosini</Author><Year>2017</Year><RecNum>48</RecNum><DisplayText><styleface="superscript">[5,6]</style></DisplayText><record><rec-number>48</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1608877984">48</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>P.Ambrosini,</author><author>D.Ruijters,</author><author>W.J.Niessen,</author><author>A.Moelker,</author><author>T.V.Walsum,</author></authors></contributors><titles><title>Fullyautomaticandreal-timecathetersegmentationinX-rayfluoroscopy</title><secondary-title>InternationalConferenceonMedicalImageComputingandComputer-AssistedIntervention</secondary-title></titles><pages>577-585</pages><dates><year>2017</year></dates><publisher>Springer</publisher><urls></urls></record></Cite><Cite><Author>Lee</Author><Year>2021</Year><RecNum>74</RecNum><record><rec-number>74</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614086665">74</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>W.J.Lee,</author><author>Y.J.Bang,</author><author>E.S.Cha,</author><author>Y.M.Kim,</author><author>Cho,SungBum,</author></authors></contributors><titles><title>Lifetimecancerrisksfromoccupationalradiationexposureamongworkersatinterventionalradiologydepartments</title><secondary-title>InternationalArchivesofOccupationalEnvironmentalHealth</secondary-title></titles><periodical><full-title>InternationalArchivesofOccupationalEnvironmentalHealth</full-title></periodical><pages>139-145</pages><volume>94</volume><number>1</number><dates><year>2021</year></dates><isbn>1432-1246</isbn><urls></urls></record></Cite></EndNote>[5,6]。為了防止X射線輻射帶來的傷害，醫(yī)生需要穿著沉重的鉛皮防護服進行手術，而最重的會對醫(yī)生產生高達300磅/平方英寸的椎間盤間隙壓力ADDINEN.CITE<EndNote><Cite><Author>Sachteleben</Author><Year>2020</Year><RecNum>73</RecNum><DisplayText><styleface="superscript">[7]</style></DisplayText><record><rec-number>73</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614084063">73</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Sachteleben,</author><author>M.Jan,</author></authors></contributors><titles><title>OccupationalHazardsinInterventionalCardiologyandModernInnovationsoftheirPreventativeMeasures</title></titles><dates><year>2020</year></dates><urls></urls></record></Cite></EndNote>[7]。這種長時間的負重站立不僅會對醫(yī)生的脊柱造成損害，而且可能導致腰椎間盤突出或者其他骨科疾病。此外，由于介入手術中皮膚可穿刺的部位面積較小、穿刺角度刁鉆、以及介入器械直徑很小等因素，手術對醫(yī)生的手部技術準確度要求較高，因此即使醫(yī)生注意力高度集中，長時間的手術也容易導致醫(yī)生手部出現抖動、位移等人類難以克服的生理反應，從而影響手術質量，嚴重時甚至可能對患者造成血管內大出血等傷害ADDINEN.CITE<EndNote><Cite><Author>Kettenbach</Author><Year>2015</Year><RecNum>62</RecNum><DisplayText><styleface="superscript">[8]</style></DisplayText><record><rec-number>62</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1613962045">62</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>J.Kettenbach,</author><author>G.Kronreif,</author></authors></contributors><titles><title>Roboticsystemsforpercutaneousneedle-guidedinterventions</title><secondary-title>MinimallyInvasiveTherapyAlliedTechnologies</secondary-title></titles><periodical><full-title>MinimallyInvasiveTherapyAlliedTechnologies</full-title></periodical><pages>45-53</pages><volume>24</volume><number>1</number><dates><year>2015</year></dates><isbn>1365-2931</isbn><urls></urls></record></Cite></EndNote>[8]。綜上所述，解決醫(yī)生的“盲操作”困難，可以提高手術效率，縮短手術時間，進而減少醫(yī)生和患者雙方受到的健康損害，具有重要的臨床意義。1.2選題意義人的血管會受呼吸和心跳影響從而發(fā)生周期性的彈性形變。其中，冠狀動脈環(huán)于心臟表面一周（如圖1.3所示），因此受到心臟收縮和舒張運動的影響最大，發(fā)生的彈性形變相比于人體其他位置的血管也最大，又因冠狀動脈血壓大，血流速度極快，注入的造影劑會被迅速沖刷掉，因此在涉及到冠狀動脈的血管內介入手術中，為了保證及時獲知當前時刻的血管位姿和介入器械與血管的相對位置，醫(yī)生必須頻繁向患者血管內注入造影劑，從而保證能夠安全順利地將器械送達至病灶處。圖STYLEREF1\s1.SEQ圖\*ARABIC\s13冠狀動脈血管示意圖如果能從少量幾次造影視頻序列中捕獲并分類出在心跳影響下的X射線血管造影圖像和無造影圖像，分別提取有造影和無造影圖像中的顯著特征，并能從這些特征中尋找相似信息，從而訓練一個可以匹配發(fā)生相同形變的X射線造影圖像和無造影圖像的模型，就能在手術中使用該模型將預先提取的X射線造影圖像與術中實時的無造影圖像進行匹配。相比于重復注射造影劑獲取當前血管造影圖像，再固定某一幀圖像作為參考圖像的傳統(tǒng)方法，該模型使醫(yī)生在整個手術過程中都可以參考動態(tài)的血管圖像，相比于某一幀靜態(tài)圖像會更準確、更方便，有效解決了醫(yī)生的“盲操作”困難，提高手術效率，進而減少醫(yī)生受到的輻射傷害和防護服造成的脊柱損害。同時，對患者來說，該方法由于能夠減少介入手術中造影劑的使用次數和用量，所以將會減少患者術后產生的副作用，對患者的身體健康也有更多保障。因此，本項目在臨床應用上認可度很高，具有重要的臨床實用意義。目前針對血管匹配的相關研究極少，且其中大多是研究眼部鞏膜血管ADDINEN.CITE<EndNote><Cite><Author>Xu</Author><Year>2020</Year><RecNum>69</RecNum><DisplayText><styleface="superscript">[9]</style></DisplayText><record><rec-number>69</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614047688">69</key><keyapp="ENWeb"db-id="">0</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>D.Xu,</author><author>D.Wei,</author><author>Z.Han,</author></authors></contributors><titles><title>ScleraRecognitionBasedonEfficientScleraSegmentationandSignificantVesselMatching</title><secondary-title>TheComputerJournal</secondary-title></titles><periodical><full-title>TheComputerJournal</full-title></periodical><dates><year>2020</year></dates><isbn>0010-4620 1460-2067</isbn><urls></urls><electronic-resource-num>10.1093/comjnl/bxaa051</electronic-resource-num></record></Cite></EndNote>[9]和腹主動脈ADDINEN.CITE<EndNote><Cite><Author>Lv</Author><Year>2018</Year><RecNum>72</RecNum><DisplayText><styleface="superscript">[10,11]</style></DisplayText><record><rec-number>72</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614048554">72</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>J.Lv,</author><author>M.Yang,</author><author>J.Zhang,</author><author>X.Y.Wang,</author></authors></contributors><titles><title>Respiratorymotioncorrectionforfree-breathing3DabdominalMRIusingCNN-basedimageregistration:afeasibilitystudy</title><secondary-title>TheBritishjournalofradiology</secondary-title></titles><periodical><full-title>TheBritishjournalofradiology</full-title></periodical><volume>91</volume><dates><year>2018</year></dates><isbn>0007-1285</isbn><urls></urls></record></Cite><Cite><Author>Schulz</Author><Year>2016</Year><RecNum>65</RecNum><record><rec-number>65</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614045328">65</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>C.J.Schulz,</author><author>M.Schmitt,</author><author>D.B?ckler,</author><author>P.Geisbüsch,</author></authors></contributors><titles><title>Fusionimagingtosupportendovascularaneurysmrepairusing3D-3Dregistration</title><secondary-title>JournalofEndovascularTherapy</secondary-title></titles><periodical><full-title>JournalofEndovascularTherapy</full-title></periodical><pages>791-799</pages><volume>23</volume><number>5</number><dates><year>2016</year></dates><isbn>1526-6028</isbn><urls></urls></record></Cite></EndNote>[10,11]的匹配問題。眼部鞏膜毛細血管呈紅色，無需造影劑也可以清晰地看到血管結構，如圖1.4所示；腹主動脈距離心臟較遠，發(fā)生的位移和形變都非常微小，且其血管相比于冠狀動脈直徑更粗，因此發(fā)生的形變相較于血管直徑幾乎可以忽略不計，連續(xù)三幀腹主動脈血管造影圖像如圖1.5所示。因此，本文提出的針對冠狀動脈的血管造影圖像匹配研究更加復雜困難，且屬于開創(chuàng)性研究，具有很強的創(chuàng)新性。圖STYLEREF1\s1.SEQ圖\*ARABIC\s14鞏膜毛細血管示意圖ADDINEN.CITE<EndNote><Cite><Author>Xu</Author><Year>2020</Year><RecNum>69</RecNum><DisplayText><styleface="superscript">[9]</style></DisplayText><record><rec-number>69</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614047688">69</key><keyapp="ENWeb"db-id="">0</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>D.Xu,</author><author>D.Wei,</author><author>Z.Han,</author></authors></contributors><titles><title>ScleraRecognitionBasedonEfficientScleraSegmentationandSignificantVesselMatching</title><secondary-title>TheComputerJournal</secondary-title></titles><periodical><full-title>TheComputerJournal</full-title></periodical><dates><year>2020</year></dates><isbn>0010-4620 1460-2067</isbn><urls></urls><electronic-resource-num>10.1093/comjnl/bxaa051</electronic-resource-num></record></Cite></EndNote>[9]圖STYLEREF1\s1.SEQ圖\*ARABIC\s15腹主動脈連續(xù)三幀造影圖1.3本文研究工作1.3.1研究目標本設計的研究目標為，設計一個兩階段CNN實現造影圖像的分類和匹配任務。對于原始的完整造影視頻序列，首先通過一個分類網絡從原始造影視頻序列中捕獲并識別出在心跳作用下的X射線造影和無造影的冠脈血管圖像，隨后將有造影血管圖像提取保存為造影圖像庫，最后通過一個匹配網絡分別提取有造影和無造影圖像中的顯著特征，利用這些特征中的相似信息在造影圖像庫中對每一張無造影圖像尋找最佳匹配造影圖像，實現有造影圖像與無造影圖像的匹配功能。1.3.2研究內容具體地，本設計的研究內容為：（1）設計并訓練一個深度學習分類算法模型，對于X射線造影圖像和無造影圖像進行分類，使得每次進行冠狀動脈血管內介入手術時，醫(yī)生只需要向模型輸入該患者少量幾次冠狀動脈造影顯影過程的視頻序列，模型就能自動將輸入的每一幀圖像進行有無造影顯影的圖像分類，分類完成后將至少一個心跳周期長度的連續(xù)造影圖像保存為造影圖像庫；（2）設計并訓練一個深度學習匹配算法模型，使得對于術中實時的無造影顯影的冠脈血管圖像，模型能夠從造影圖像庫中尋找到與其位于心跳周期內同一時刻的造影圖像，完成冠脈血管造影圖像的動態(tài)匹配過程。整體兩階段CNN網絡的結構示意圖如圖1.6所示。圖STYLEREF1\s1.SEQ圖\*ARABIC\s16兩階段CNN匹配網絡結構圖1.4論文章節(jié)安排本論文組織結構如下：第一章緒論本章主要介紹了該論文課題的來源和背景、研究意義、以及具體的研究內容與目標。第二章相關技術研究現狀本章主要介紹了該論文中涉及的相關技術的當前研究現狀，包括圖像預處理方法、分類神經網絡模型、孿生網絡結構和注意力機制四部分。第三章基于輕量化網絡Xception的血管造影圖像分類算法本章重點介紹了分類任務部分對圖像數據的標注和預處理方法，輕量化Xception的結構，不同網絡和圖像預處理方法的對比實驗得到的分類結果及其分析結論。第四章基于孿生網絡和注意力機制的血管造影圖像匹配算法本章重點介紹了匹配任務部分對數據對的標注方法，所涉及的匹配CNN模型中各部分的具體結構，任務中所采用的評價指標，以及不同網絡結構的對比實驗結果及其分析結論，提出了能實現較好匹配結果的網絡模型。相關技術研究現狀2.1圖像預處理方法圖像的預處理可以提升圖像的品質，能使得算法更容易地提取圖像特征，且也使得提取的特征更準確、更具代表性ADDINEN.CITE<EndNote><Cite><Author>Kotadiya</Author><Year>2019</Year><RecNum>80</RecNum><DisplayText><styleface="superscript">[12]</style></DisplayText><record><rec-number>80</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614175275">80</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>H.Kotadiya,</author><author>D.Patel,</author></authors></contributors><titles><title>Reviewofmedicalimageclassificationtechniques</title><secondary-title>ThirdInternationalCongressonInformationandCommunicationTechnology</secondary-title></titles><pages>361-369</pages><dates><year>2019</year></dates><publisher>Springer</publisher><urls></urls></record></Cite></EndNote>[12]。基本的圖像預處理方法有圖像尺寸的裁剪、縮放，以及對圖像整體的旋轉、翻轉，對圖像像素值的歸一化等。除上述方法外，由于醫(yī)學圖像噪聲較大，信噪比較低，因此還需要采用一些濾波器來減弱圖像的噪聲。常用的圖像去噪方法主要分為基于空間域的方法和基于頻域的方法兩大類。其中，基于空間域的方法主要有均值濾波、高斯濾波、中值濾波等方法。均值濾波和高斯濾波都是線性方法，通過對整個窗口范圍內的像素值進行平均或加權平均來平滑信號，適用于去除高斯噪聲，但不適用于去除尖峰噪聲，還會模糊圖像邊緣，丟失重要信息；中值濾波是基于排序統(tǒng)計理論的非線性方法，將每一像素點的灰度值設置為該點鄰域窗口內的所有像素點灰度值的中值，可以很好的去除孤立的噪聲點，同時保護圖像的邊緣不被模糊，但不適用于去除高斯噪聲?；陬l域的方法主要是通過傅立葉變換或小波變換將圖像轉換到頻域上，再根據噪聲特點利用低通濾波、高通濾波、帶通濾波和帶阻濾波來設計合適的濾波器，從而在頻域上去除圖像噪聲ADDINEN.CITE<EndNote><Cite><Author>郭相鳳</Author><Year>2012</Year><RecNum>90</RecNum><DisplayText><styleface="superscript">[13]</style></DisplayText><record><rec-number>90</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614428704">90</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">郭相鳳</style></author><author><styleface="normal"font="default"charset="134"size="100%">賈建芳</style></author><author><styleface="normal"font="default"charset="134"size="100%">葛中峰</style></author></authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">圖像序列的預處理與目標檢測技術綜述</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">傳感器世界</style></secondary-title></titles><periodical><full-title>傳感器世界</full-title></periodical><pages>6-8,20</pages><volume>18</volume><dates><year>2012</year></dates><urls></urls></record></Cite></EndNote>[13]。圖像增強可以突出圖像中的某些信息，并抑制或去除其他不需要的信息，因此也可以在本實驗中采用相關方法，突出有用的血管信息，抑制雜亂的背景信息。例如，可以采用直方圖均衡化的方法來把原始圖像的灰度直方圖變換為均勻分布的形式，從而增加像素灰度值的動態(tài)范圍，增強圖像整體對比度。此外，Frangi濾波器是基于Hessian矩陣構造出來的一種邊緣檢測增強濾波算法，也是常用的血管增強方法之一ADDINEN.CITE<EndNote><Cite><Author>Frangi</Author><Year>2000</Year><RecNum>91</RecNum><DisplayText><styleface="superscript">[14]</style></DisplayText><record><rec-number>91</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614430307">91</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>A.F.Frangi,</author><author>W.J.Niessen,</author><author>K.L.Vincken,</author><author>M.A.Viergever,</author></authors></contributors><titles><title>Multiscalevesselenhancementfiltering</title></titles><dates><year>2000</year></dates><urls></urls></record></Cite></EndNote>[14]。2.2圖像分類卷積神經網絡模型圖像分類問題一直是機器學習主流的研究方向之一。在分類任務中，經典的方法有基于信息熵原理的決策樹算法、基于統(tǒng)計學貝葉斯原理的樸素貝葉斯算法、以及基于核函數的支持向量機（SupportVectorMachine,SVM）等。然而，傳統(tǒng)方法需要花費大量時間人為手動選擇和提取圖像的特征，且近年來研究進展較為緩慢，到達了瓶頸期。自2012年Krizhevsky等人提出的AlexNet在ILSVRC圖像分類比賽上取得當年冠軍以來，深度學習開始迅速發(fā)展，且其中卷積神經網絡（ConvolutionalNeuralNetwork,CNN）在圖像分類任務中展現出了出色的結果。CNN是一種端到端的方法，它會自己學習輸入圖像的特征并據此分類ADDINEN.CITE<EndNote><Cite><Author>Yadav</Author><Year>2019</Year><RecNum>79</RecNum><DisplayText><styleface="superscript">[15]</style></DisplayText><record><rec-number>79</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614175151">79</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>S.S.Yadav,</author><author>S.M.Jadhav,</author></authors></contributors><titles><title>Deepconvolutionalneuralnetworkbasedmedicalimageclassificationfordiseasediagnosis</title><secondary-title>JournalofBigData</secondary-title></titles><pages>1-18</pages><volume>6</volume><number>1</number><dates><year>2019</year></dates><isbn>2196-1115</isbn><urls></urls></record></Cite></EndNote>[15]。2014年，VGGNet和GoogLeNet相繼問世，分別獲得了當年ILSVRC比賽的亞軍和冠軍，如今仍是非常經典的CNN結構。相比于Alexnet，VGGNet將所有卷積都替換為3*3大小，比起較大的卷積核能夠捕獲更有效的信息ADDINEN.CITE<EndNote><Cite><Author>K.Simonyan</Author><Year>2015</Year><RecNum>86</RecNum><DisplayText><styleface="superscript">[16]</style></DisplayText><record><rec-number>86</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614247332">86</key></foreign-keys><ref-typename="ConferencePaper">47</ref-type><contributors><authors><author><styleface="normal"font="default"size="100%">K.</style><styleface="normal"font="default"charset="134"size="100%"></style><styleface="normal"font="default"size="100%">Simonyan,</style></author><author><styleface="normal"font="default"size="100%">A.</style><styleface="normal"font="default"charset="134"size="100%"></style><styleface="normal"font="default"size="100%">Zisserman,</style></author></authors></contributors><titles><title>VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition</title><secondary-title><styleface="normal"font="default"size="100%">The3rdInternationalConferenceonLearningRepresentations(ICLR</style><styleface="normal"font="default"charset="134"size="100%">）</style></secondary-title></titles><dates><year>2015</year></dates><urls></urls></record></Cite></EndNote>[16]。GoogLeNet中提出了Inception模塊，該模塊采用多個大小不同的卷積核來提取不同尺度的特征再聚合，擴展了網絡的寬度，可以獲取豐富的特征信息ADDINEN.CITE<EndNote><Cite><Author>Szegedy</Author><Year>2015</Year><RecNum>85</RecNum><DisplayText><styleface="superscript">[17]</style></DisplayText><record><rec-number>85</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614247281">85</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>C.Szegedy,</author><author>W.Liu,</author><author>Y.Q.Jia,</author><author>P.Sermanet,</author><author>S.Reed,</author><author>D.Anguelov,</author><author>D.Erhan,</author><author>V.Vanhoucke,</author><author>A.Rabinovich,</author></authors></contributors><titles><title>Goingdeeperwithconvolutions</title><secondary-title>ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition</secondary-title></titles><pages>1-9</pages><dates><year>2015</year></dates><urls></urls></record></Cite></EndNote>[17]。同時，Inception模塊首次采用1*1卷積來進行降維，大大減少了網絡的計算量，目前Inception模塊已拓展有四種不同模型。隨著網絡的加深，2016年何凱明團隊提出了ResNet，設計了一種類似“短路連接”的殘差模塊，解決了梯度退化的問題，也獲得了當年的ILSVRC比賽冠軍ADDINEN.CITE<EndNote><Cite><Author>He</Author><Year>2016</Year><RecNum>87</RecNum><DisplayText><styleface="superscript">[18]</style></DisplayText><record><rec-number>87</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614247484">87</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>K.M.He,</author><author>X.Y.Zhang,</author><author>S.Q.Ren,</author><author>J.Sun,</author></authors></contributors><titles><title>Deepresiduallearningforimagerecognition</title><secondary-title>ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition</secondary-title></titles><pages>770-778</pages><dates><year>2016</year></dates><urls></urls></record></Cite></EndNote>[18]。為了追求分類準確度，很多網絡發(fā)展得越來越深，模型也變得越來越大。然而，復雜而龐大的模型一方面可能面臨內存不足的困境，無法靈活部署硬件，另一方面在某些任務或場景中難以滿足實時性的要求，因此小而高效的CNN成為了一個新的熱點研究方向，輕量化模型應運而生。2016年美國加州大學伯克利分校和斯坦福大學的研究人員提出了SqueezeNet，在模型表現不輸Alexnet的情況下將模型大小壓縮了510倍ADDINEN.CITE<EndNote><Cite><Author>Iandola</Author><Year>2016</Year><RecNum>88</RecNum><DisplayText><styleface="superscript">[19]</style></DisplayText><record><rec-number>88</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614260128">88</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>F.N.Iandola,</author><author>S.Han,</author><author>M.W.Moskewicz,</author><author>K.Ashraf,</author><author>W.J.Dally</author><author>K.Keutzer,</author></authors></contributors><titles><title>SqueezeNet:AlexNet-levelaccuracywith50xfewerparametersand<0.5MBmodelsize</title><secondary-title>arXivpreprintarXiv:.07360</secondary-title></titles><periodical><full-title>arXivpreprintarXiv:.07360</full-title></periodical><dates><year>2016</year></dates><urls></urls></record></Cite></EndNote>[19]。隨后在2017年，Google的Andrew等人提出了另一種輕量化網絡MobileNetADDINEN.CITE<EndNote><Cite><Author>Howard</Author><Year>2017</Year><RecNum>89</RecNum><DisplayText><styleface="superscript">[20]</style></DisplayText><record><rec-number>89</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614260811">89</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>A.G.Howard,</author><author>M.L.Zhu,</author><author>B.Chen,</author><author>D.Kalenichenko,</author><author>W.J.Wang,</author><author>T.Weyand,</author><author>M.Andreetto,</author><author>H.Adam,</author></authors></contributors><titles><title>Mobilenets:Efficientconvolutionalneuralnetworksformobilevisionapplications</title><secondary-title>arXivpreprintarXiv:.04861</secondary-title></titles><periodical><full-title>arXivpreprintarXiv:.04861</full-title></periodical><dates><year>2017</year></dates><urls></urls></record></Cite></EndNote>[20]。MobileNet的主要組成單元是深度可分卷積，這是將普通的卷積操作拆解成先分別對每一輸入通道內部進行卷積、再用1*1卷積進行跨通道卷積的操作，由此在整體效果不變的基礎上，可以大大減少計算量和模型參數量。MobileNet的模型表現可以比肩VGGNet和GoogLeNet，是到目前為止仍然最常用的輕量化網絡結構之一。此外，常用的輕量化網絡還有XceptionADDINEN.CITE<EndNote><Cite><Author>Chollet</Author><Year>2017</Year><RecNum>92</RecNum><DisplayText><styleface="superscript">[21]</style></DisplayText><record><rec-number>92</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614433217">92</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Chollet,Fran?ois</author></authors></contributors><titles><title>Xception:Deeplearningwithdepthwiseseparableconvolutions</title><secondary-title>ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition</secondary-title></titles><pages>1251-1258</pages><dates><year>2017</year></dates><urls></urls></record></Cite></EndNote>[21]和ResNeXtADDINEN.CITE<EndNote><Cite><Author>Xie</Author><Year>2016</Year><RecNum>102</RecNum><DisplayText><styleface="superscript">[22]</style></DisplayText><record><rec-number>102</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1620958911">102</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>S.Xie,</author><author>R.Girshick,</author><author>P.Dollár,</author><author>Z.Tu,</author><author>K.He,</author></authors></contributors><titles><title>AggregatedResidualTransformationsforDeepNeuralNetworks</title><secondary-title>IEEE</secondary-title></titles><dates><year>2016</year></dates><urls></urls></record></Cite></EndNote>[22]等。由于醫(yī)學圖像需要專業(yè)醫(yī)生對數據進行標注，因此數據集通常規(guī)模較小、且很難獲得，給模型的訓練造成了一定困難。由此，遷移學習被廣泛用于醫(yī)學圖像的分類任務中。廣州醫(yī)科大學婦女兒童醫(yī)療中心的Kermany等人使用在ImageNet數據集上訓練過的InceptionV3模型進行遷移學習，基于眼底光學相干斷層成像(OpticalCoherenceTomography,OCT)圖像來區(qū)分脈絡膜新生血管和糖尿病性黃斑水腫，并框選出病變區(qū)域，最后達到了96.6%的準確率，甚至超越了兩名人類專業(yè)醫(yī)生的分辨準確率ADDINEN.CITE<EndNote><Cite><Author>Kermany</Author><Year>2018</Year><RecNum>81</RecNum><DisplayText><styleface="superscript">[23]</style></DisplayText><record><rec-number>81</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614219642">81</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>D.S.Kermany,</author><author>M.Goldbaum,</author><author>W.J.Cai,</author><author>C.C.SValentim,</author><author>H.Y.Liang,</author><author>S.L.Baxter,</author><author>A.McKeown,</author><author>G.Yang,</author><author>X.K.Wu,</author><author>F.B.Yan,</author></authors></contributors><titles><title>Identifyingmedicaldiagnosesandtreatablediseasesbyimage-baseddeeplearning</title><secondary-title>Cell</secondary-title></titles><periodical><full-title>Cell</full-title></periodical><pages>1122-1131.e9</pages><volume>172</volume><number>5</number><dates><year>2018</year></dates><isbn>0092-8674</isbn><urls></urls></record></Cite></EndNote>[23]。印度可愛國際大學的Chouhan等人也利用遷移學習的思想，將AlexNet、DenseNet121、Inc