论文部分内容阅读
近年来随着大数据技术与深度学习算法的不断发展，医学图像这个积累了海量图像数据的领域逐渐吸引了人们的注意力，成为了一个新的研究热点。如何有效地、准确地分类这些海量的未标记的医学影像数据是目前一个非常重要且又富有挑战性的研究课题。它一方面能够构建起宝贵的医学图像数据集，以便更细致地研究疾病本身;另一方面又能让影像诊断更具有针对性，从而提高医生的工作效率。 首先介绍了深度学习技术，包括人工神经网络、卷积神经网络(ConvolutionalNeural Network，CNN)和循环神经网络。分析了一些在自然图像领域中表现突出的基于深度学习的通用分类网络的技术特点，包括AlexNet、VGGNet、GoogleNet和ResNet，并在这些自然图像分类网络的基础上结合围术期经食管超声心动图（transesophageal echocardiography，TEE）切片的具体特点，提出了基于多输入流的Deep-TEE网络和基于长短时记忆神经网络（Long Short-TermMemory Neural Network，LSTM）的LSTM-TEE网络。 其次针对医学影像上所特有的病理和生理参数，提出了基于医学先验的Bayes校验方法。通过基于小型卷积神经网络的TEE切片角度形状识别和基于Connectionist Temporal Classification(CTC)方法的角度OCR识别，实现了TEE分类结果的自我校验。实验表明，基于医学先验与深度学习的TEE切片识别方法较单独采用深度学习的TEE切片分类方法识别精度有显著提升。 最后，使用Flask和MXNet框架搭建了一个基于医学先验与深度学习的在线TEE切片识别系统。