英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
深度学习神经放射学
摘要：深度学习是一种使用卷积神经网络架构的机器学习形式，它为成像应用程序提供了巨大的前景。 它正在越来越多地从它在计算机视觉应用于医学成像的原始演示中进行改造。 由于在典型研究中获得的多模态成像信息的数量和丰富性，神经放射学将成为深度学习的早期采用者。 有力的深度学习研究应用已被证明，其应用可能会迅速增长。 这篇综述文章描述了原因，概述了用于训练和测试深度学习模型的基本方法，并简要介绍了当前和潜在的临床应用，重点介绍了它们如何改变未来的神经放射学实践。 在神经影像学研究人员和临床医生中使用这些方法的设施对于引导和利用这种新方法的巨大潜力非常重要
缩写：AD = 阿尔茨海默病; ADNI = 阿尔茨海默病神经影像学倡议; ASL = 动脉自旋标记; CNN = 卷积神经网络; MCI = 轻度认知障碍; NC = 正常控制
深度学习是人工智能的一种形式，大致模拟了大脑中神经元的结构，这在解决计算机视觉，自然语言处理和机器人技术中的许多问题方面显示出巨大的前景.1它最近成为了主要的形式由于理论进步的融合，公开可用的计算机软件和具有足够计算能力的硬件，机器学习成为可能。深度学习领域目前的兴奋源于此
新数据表明其在各种任务中表现出色。机器学习性能的一个基准是ImageNet挑战。在这个年度竞赛中，团队竞争将数以百万计的图像分类成离散的类别（数十种不同种类的狗，鱼，汽车等）。一个分水岭年是2012年，当时第一个基于神经网络的条目大大超过了竞争和前几年的结果.2此后，每个获奖作品都采用了深度学习框架，表现现在超过了人类。
深度学习有潜力彻底改变整个行业，包括医学成像。鉴于神经影像学在诊断和治疗神经系统疾病中的重要性，深度学习可能会首先影响神经放射学家
深刻。本文将介绍深度学习方法，概述他们目前的成功经验，并推测这些方法的未来发展，重点将其应用于神经放射学。
什么是深度学习？
考虑深度学习在更广泛的人工智能环境中的位置是很有用的（图1）。针对人工智能提出的一个定义是执行通常需要人类智能的任务的任何计算机方法。机器学习是一种人工智能，它开发了算法，使计算机无需明确的编程即可从现有数据中学习。例如分类算法，如聚类，逻辑回归和支持向量机。
机器学习方法可以进一步分为有监督学习和无监督学习。在监督学习中，存在一些“基本事实”，用于训练算法。一个例子是神经放射学家将脑部CT扫描分为不同组（即出血与无出血）。相反，对于无监督学习，没有使用标准的标准图像或分类 - 计算机本身必须确定类别。其中一个例子是聚类
基于相似性度量将图像放置在多个组中
而不必事先知道推动分离的原因。虽然无监督学习对于医学成像具有很大的希望，但这次审查的重点是监督式学习。
在此背景下，深度学习是一种监督机器学习方法，它使用特定的架构，即某种形式的神经网络。这些技术的强大之处在于它们的可扩展性，这主要基于它们自动提取相关特征的能力。过去，构建图像分类算法需要领域专家和经验丰富的人工智能研究人员多年的努力。深度学习允许在数天内从标记数据集自动创建分类器。这些神经网络松散地从大脑的结构，隐藏层代表的启发
中间神经元（图2）。尽管现代神经网络与大脑有着相似之处，但对已知大脑结构的更高保真度是否会提高性能是一个有争议的问题.4例如，在计算机视觉应用中，许多
隐藏层敏感的特征（如不同方向上的边缘）与哺乳动物视觉皮层具有相关性.5对于神经影像学，一个简单的深度学习模型可接受图像数据作为由体素强度组成的矢量，每个体素用作一个输入“神经元”。而下面的例子
假定使用单个图像，更一般地说，输入可以包括整个成像系列，多个系列甚至多个模态。接下来，必须确定包括多少层（多深）以及每层多少个神经元（宽度）;
这被称为网络架构（图3）。每个神经元都存储一个数值，神经元之间的每个连接代表一个权重。权重连接不同层中的神经元并表示神经元之间的连接强度。其中一层中的所有神经元连接到下一层中的所有神经元的“完全连接”层可以被解释和实现为矩阵乘法。最后，通常在输出端包含一个非线性“激活函数”
神经元。这将非线性引入到方程中，从而可以表示复杂的函数，否则将不可能。历史上，基于神经科学的见解，使用了S形和双曲线切线;然而，研究人员后来发现整流后的线性单元更易于实施并且更加有效。整流后的线性单位函数输出正值的神经元值和负值的零值。尽管存在一些典型的配置和假设，但针对特定应用的网络体系结构的选择并不总是显而易见的。隐藏层中的神经元数量
往往比输入层或输出层中的要大。最后一层编码所需的结果或标记的状态。例如，如果希望将图像分类为“出血”或“无出血”，则最终层神经元是合适的。通常，每个最终神经元存储的值被解释为
训练样例对应于特定类别的概率。训练的目标是优化网络权重，以便在输入新的样本图像时提供概率在产出测量严重倾斜到正确的类。例如，如果我们输入有出血的图像，我们希望模型输出出血的概率高，其他类别的概率低。这是如何完成的？
培训简单的神经网络深度学习模型神经网络经过理想的训练，使用大量分为几个组的案例。通常最大的部分用于模型训练（50％-60％），另外10％-20％用于模型训练
验证和20％-40％的测试。训练案例用于设置模型参数;大型训练集很重要，因为即使是相对较浅的网络也可能有100,000个自由参数（权重）。训练数据集通过多次循环（历元）直到模型的精确度收敛。起初，预测会很差。然而，这种设置的优点在于，您可以通过使用“成本函数”来比较模型的输出与实际情况，“成本函数”是量化模型有多远的单个数字。反向传播是一种可以根据成本函数的值调整神经元之间连接强度（权重）的技术，然后用于强化正确的预测并惩罚不正确的预测。使用单独的训练实例和多次迭代重复此过程，从而优化权重并有效地训练模型。一旦模型得到训练，就会有几个“超参数”进行优化，包括学习率和时代数。最后，测试集用于评估尚未用于培训的数据的模型准确性。这种评估会产生类似于或高于训练集的错误率，这有助于评估最终模型在真实世界数据上的表现如何。尽管训练模型通常耗时，但最终训练好的模型对新数据的应用通常是计算上的
快速。选择正确的成本函数非常重要。对于分类，当模型预测正确的类别时，成本函数的值应该较低，而当预测关闭时，成本函数的值应该较高。一种流行的分类成本函数是“交叉熵损失”，它是将逻辑回归推广到可以使用softmax函数实现的多个类别的扩展。对于图像预测，常见的成本函数包括预测图像和参考图像之间的均方根误差以及相似性度量，如结构相似性指数度量.6,7一种有前途的方法是用网络替代成本函数本身目标是使参考图像与预测图像最佳区分，这种方法称为“生成对抗网络”方法[8]。生成对抗网络努力消除预测图像和参考图像之间的系统性差异，这在放射学中是非常理想的设置。从简单到卷积神经网络完全连接的神经网络在计算上是昂贵的，因为权重的数量非常大，特别是对于图像
典型的矩阵大小（256？256？65,536体素）。即使只有1个slice，也需要40亿个权重来实现完全连接的层。因此，基于图像的深度学习的许多研究已经转向使用更具计算效率的结构，特别是卷积神经网络（CNN）。 CNN非常适合成像。代替完全连接，在每个图像位置应用一个小的“内核”权重来确定下一层神经元的值（图4）。该
方法模仿卷积的数学运算。是在tween 2层之间，所需的唯一权重是内核的权重，然后在整个图像上进行光栅化以获得下一个图层。这种方法有几个优点。首先，它显着减少了权重的数量。其次，它允许空间不变性：图像特征可能出现在不同的位置，并且CNN允许它们的识别独立于它们的精确位置。通常，CNN将相邻的体素汇集起来，或者在间隔的时间间隔内跨越这些图像滑动内核（称为“步长”的超参数），以便每个后续图层中的维度小于最后一个图层中的维度。对于每个图层，可以训练多个不同的内核，在每个图层中创建多个“通道”例如结构允许网络学习许多位置不变的特征，例如边缘，纹理和数据的其他非线性表示。随着泳池或增加步幅的长度，它是
可能将更大的功能集成到网络的隐藏层中。的确，CNN以不变位置的方式提取相关成像特征的能力与大脑视觉系统的结构相平行; Hubel和Wiesel在20世纪60年代表明，猫的不同区域对诸如不同方向的边缘等特征有强烈的反应。对于分类，通常会添加？1完全连接层以达到最终输出层。对于图像预测，上采样图层用于将较小尺寸的隐藏层“重新构建”回输入图像的原始尺寸。这种体系结构被称为“编码器 - 解码器”，因为它表现了图像在增加隐藏层中的抽象（编码）方面，然后使用它们重新创建（解码）图像。
过度拟合和数据增强如上所述，典型的深度学习模型具有数百万的权重。类似于你需要更多等式的想法
要解决代数方程的变量，如果深度网络在少数示例上训练，则可以完美地表示输入和输出状态之间的变换。但是，这种方法不会推广到新的案例，这个问题被称为“过度拟合”。过度拟合的最佳解决方案是收集更多
训练示例，但也可以使用其他解决方案，如正则化和辍学。另一个可能的解决方案是数据增强。数据增强是增加训练数据量的一种方法。因为大多数图像数据应该是可识别的，无论是在x-y平面上偏移，旋转，翻转还是略微
拉伸或歪斜，通常执行这样的图像操作以增加训练数据。尽管这些图像变化不会增加更多数据，但它们已被证明可以提高模型的鲁棒性，可能是通过阻止模型学习仅在特定方向发生的特征。
广泛的应用类型深度学习可以解决神经放射学的许多方面。神经放射学的整体工作流程是一个有用的框架
哪些考虑这些应用。这从提到临床医生订购研究开始，然后转向图像采集。接下来，图像放在放射科医师面前，围绕病变的检测和分割以及鉴别诊断的任务出现。这个链条中的每一个环节都可能从深层获益
学习方法。成像物流在订购了一项研究后，需要将其分类到特定的神经影像协议。这个过程往往涉及宝贵的时间
并且依靠他们对成像协议的知识以及对临床医生特定请求的关注，这些请求通常作为自由文本封装在订单历史记录中。深入的解释自然语言的学习方法已经很成熟，使协议过程的自动化十分可行。理论上讲，这个问题只是关于分类，不同的协议是预测的类别，输入是订单本身和患者元数据。由于大量的训练数据，协议应用程序非常适合深度学习
已经存在;所有以前由人类协议过的研究都可以用于培训。另一个有前途的应用是在图像分类中进行分类
怀疑敏锐的顺序。例如，如果可以训练模型
确定图像上的重要发现，即使这些研究最初并没有作为“统计”研究订购，也有可能优先考虑对这些研究进行放射学审查。对于大型组织而言，这种分类方法有可能缩短关键案例的获取和解释之间的时间，并可能带来积极影响
患者结果。图像采集和改进
深度学习方法可用于执行图像重建并改善图像质量。深度学习框架能够“学习”标准的MR成像重建技术，如笛卡尔和非笛卡尔采集
schemes.1图像转换此图像的扩展是创建具有不同对比度或具有不同形态特征的图像。例如，使用全国医学影像计算联盟数据库（http：//www.insight journal.org/midas/community/view/17），Vemulapalli等19使用深度网络预测T2图像的T1图像，反之亦然。另一种应用是PET / MR成像;与使用CT来计算衰减图的PET / CT不同，MR图像不直接产生衰减图像。但是，如果有关于MR图像中的软组织，空气和骨骼的信息，则这些序列可以用作深度网络的输入。至关重要的是，要预测的图像不再是另一个MR图像，而是同一个主题的配准CT扫描。最近证实了原理证据用于大脑MR成像衰减校正，其性能优于竞争技术.20另一项研究表明，MR成像用于创建用于放射治疗的合成CT的类似用法.21在临床试验中，出现了以下情况：患者可能无法接受某种诊断技术，例如MR成像不兼容的植入物患者。或者，他们
在特定的时间点可能缺乏图像。虽然可以使用统计技术来解释这些缺失数据，但如果从同一群体中抽取的足够患者完成了所有影像检查，则可以通过训练一个深度学习网络来重新创建这些数据。 Li等22使用阿尔茨海默病神经成像倡议（ADNI; http://www.adni-info.org/）证明了这一点。他们对患有FDG-PET和T1加权MR成像的患者进行了CNN培训，然后在测试集上使用该网络预测患者MR成像研究的预期PET图像，22显示CNN方法优于传统方法。
病变检测和分割
检测和分割病变对人类来说是一项繁重的任务，但非常适合机器学习。虽然相关，他们真的是两个不同的任务。前者以未标记的图像开始并标记潜在的异常。后者的目标是
限制包含异常结构的区域。识别和描绘病变的边缘是很重要的，因为神经放射学家通常负责监测已知病变的大小或活动的变化或对治疗的反应。深度学习在分割正常大脑结构方面也有优势，因为现有的方法非常耗时，并且可能不会推广到年轻或年长的受试者.23-25此外，许多研究项目都依赖于人工描绘图像病灶。人们可以训练一个深入的网络
图像作为输入，手绘手动分割掩模作为输出。事实上，这种方法早已取得了很大的成功。尽管在不同的神经系统疾病中存在许多例子，但我们将参考3个代表性区域：检测微出血，鉴别梗塞和预测最终梗塞
中风患者的体积，以及分割脑肿瘤。 Dou等[26]描述了一种通过在磁敏度加权图像的注释数据集上训练CNN来检测脑微出血的过程。他们提出了一种级联的两步法，其中候选病变首先由CNN和CNN确定
那么只有这些损伤被输入到歧视性CNN（即，真正的微出血或模仿）。采用这种方法，他们的灵敏度达到了93％，平均约为3个假阳性
每个主题的标识。
梗死脑组织的自动识别和概述可用于急性中风。 Chen等[27]将DWI用作2阶段深度学习算法的输入，并能够检测到94％的所有急性梗塞。使用Dice系数作为准确性的标记，他们在中风后2天的大型患者队列中显示平均得分为0.67。另一项使用
全文共8806字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14372]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
