6、深度学习在医学图像分类与增强中的应用

深度学习在医学图像分类与增强中的应用

一、医学图像分类：聚焦肝脏病变分类

肝脏癌症是全球主要的死因之一，而对比增强计算机断层扫描（CT）是检测和表征肝脏局灶性病变（FLLs）的重要成像方式。传统的肝癌诊断方法依赖医生观察患者CT图像的经验和专业知识，这不仅要求医生具备足够的经验和专业技能，还需要大量时间来诊断不同患者。如今，许多组织正在研究如何利用计算机辅助诊断，一般计算机辅助诊断包括特征提取、特征分析和分类三个部分。

（一）数据与方法概述

1. 数据 ：收集了2015 - 2017年浙江大学附属邵逸夫医院的388张多期CT图像，每个多期CT图像包含非对比（NC）、动脉（ART）和门静脉（PV）三个阶段。这些图像由经验丰富的放射科医生标记和分类，涵盖了囊肿、局灶性结节性增生（FNH）、肝细胞癌（HCC）和血管瘤（HEM）四种常见类型的肝脏局灶性病变。
2. 方法 ：采用迁移学习和微调技术。迁移学习适用于预训练数据与新数据相似的情况，而微调则适用于两者不太相似的情况。尽管医学图像和自然图像都属于图像组，但它们有显著差异，不过研究发现深度学习中关于自然图像的知识仍可有效迁移到医学图像中。在此研究中，将微调方法应用于肝脏肿瘤分类，并取得了良好效果。

（二）多通道CNN用于肝脏局灶性病变分类

1. 模型选择 ：使用50层的ResNet模型作为基线网络。多期CT扫描的三个阶段图像分别作为ResNet三个通道的输入，类似于红、绿、蓝图像。
2. 预处