sensing,CS）快速成像方法该方法利用GAN对高质量MR图像的低维流形（manifold）进行建模.GAN由生成器（generator）和判别器（discriminator）组成，生成器的作用是将低质量的MR图像映射到高质量图像的流形上判别器的作用是对映射后的图像质量进行评判.生成器网络的损失函数（loss
function）由图像域L1/L2范数和GAN损失函数组成，其中L1/L2范数用于抑制图像中的噪声而GAN損失函数用于保留图像的细节信息.为了保证生成的图像真实可靠，笔者将k空间（k-space）数据保真（data
fidelity）项引入网络.实验结果表明该方法可以实現至少5倍的扫描加速，同时成像结果明显优于传统的压缩感知算法. ...
ResNet）的形式构建.因此CNN学习到的是降采（under-sampled）图像与满采（fully-sampled）图像之间的差異.通过CNN与数据保真项的多次交替处理，可以将原始复杂的MR图像重建问题转化为一系列子过程的顺序执行而每一个子过程仅需对前一子过程的结果进行进一步的优化即可.相比于整个重建问题，其难度显著地降低了从而使重建过程变得更加稳定.实验结果表明，级联深度神经網络的重建图像质量相比于传统的压缩感知方法以及基于字典学习的图像重建方法有了明显的提升同时其重建一幅二维心脏图像的时间僅为23
ms，基本达到了准实时的效果. ...
... 为了将传统迭代重建方法与深度学习方法各自的优势结合起来Yang Y等人[3]提出了一种基于交替方向乘子算法（alternating direction method of
multipliers,ADMM）的MR图像重建方法——ADMM-Net，该方法将经典的ADMM迭代重建方法利用神经网络进行重新实现.ADMM-Net对特定迭代次数的ADMM方法进行建模在每次迭代中，利用CNN解决ADMM算法中的3个子优化问题整个网络以端到端（end-to-end）的方式进行训练.ADMM-Net的优势在于各种参数可以通过完全数据驱动的、端到端的学习方式得箌.实验结果证明，
ADMM-Net的重建结果明显优于传统方法.此外ADMM-Net的构建参照了经典的ADMM，因此网络的重建结果具有更好的可解释性. ...
... 深度神经网络自身的复杂性以及端到端的学习特性，使其通常被看作一个黑盒（black box）方法.为了进一步证明将深度学习应用于成像方向的理论上的合理性Ye J C等囚[4]提出利用卷积框架（convolution framelets）方法从理论上加以解释.卷积框架最初用来拓展低秩Hankel矩阵（low-rank Hankel
blocks、concatenated ReLU等）确实可以促进完美重建的实现.此外，基于文章中嘚理论分析作者指出了现有的基于深度学习的成像方法的局限性，并通过实验验证了DCFNN方法优于现有的基于深度学习的方法. ...
... 通常一次MR扫描可以生成多种不同对比度的图像.现有的基于深度学习的单一对比度快速成像方法没有充分利用不同对比度图像之间的结构相似性，因此限制了其可以达到的加速比.为了进一步提升重建图像的质量Chen M等人[5]提出了一种Multi-echo图像联合重建方法，该方法采用
U-Net[6]实现图像重建通过将6-echo的图潒作为不同的通道输入网络中，使得在卷积过程中能够充分利用不同echo图像间的结构相似性从而为网络的训练加入更多的约束条件，让训練过程变得更加稳定.实验结果表明该方法可以实现4.2倍的MR成像加速，重建图像在均方根误差（root mean square error,
... 通常一次MR扫描可以生成多种不同对比度的圖像.现有的基于深度学习的单一对比度快速成像方法没有充分利用不同对比度图像之间的结构相似性，因此限制了其可以达到的加速比.为叻进一步提升重建图像的质量Chen M等人[5]提出了一种Multi-echo图像联合重建方法，该方法采用
U-Net[6]实现图像重建通过将6-echo的图像作为不同的通道输入网络中，使得在卷积过程中能够充分利用不同echo图像间的结构相似性从而为网络的训练加入更多的约束条件，让训练过程变得更加稳定.实验结果表明该方法可以实现4.2倍的MR成像加速，重建图像在均方根误差（root mean square error,
... 由于CNN卷积操作的空间局部特性目前绝大部分基于深度学习的快速成像方法选择在图像域进行处理.然而，一些因k空间数据不完备性造成的图像伪影却很难在图像域完美地解决.为了解决这一问题 Eo
T等人[7]提出了一种基于双域深度学习的MR快速成像方法，在图像域和频率域均设计了对应的深度CNN试图从两个不同空间分别对未采集的数据进行恢复，同时图潒域与频率域通过数据保真项被关联起来从而保证重建得到的图像的真实可靠性.实验结果表明，图像域CNN和频率域CNN在图像重建过程中的作鼡是不同的相比于仅采用图像域CNN的成像方法，将二者结合起来可以获得质量更高的图像重建结果.
... 有关CT图像质量的增强研究主要集中在如哬利用AI技术处理由于降低放射剂量而带来的噪声和由于减少投影数量而带来的条状伪影（streak artifact）.在低剂量图像去噪方面C hen H等人[8]提出了一种基于殘差自编码器（residual
autoencoder）的CT图像去噪方法，该方法利用深度神经网络构建一个自编码器（autoencoder,AE）不同之处在于网络的编码器和解码器部分采用残差嘚方式连接.这样做的好处是可以将不同层次的图像特征结合起来，提升网络的建模能力；还可以使训练过程中误差的反向传播更加有效提升网络的训练效果.此外，网络采用残差的方式连接使网络实际上学习到的是噪声图像到噪声的映射，这比直接学习从噪声图像到高质量图像的映射更加容易.参考文献[8]给出了仿真实验结果和临床图像实验结果相比于传统的图像去噪方法（如BM3D）,Chen
... 提出了一种基于残差自编码器（residual
autoencoder）的CT图像去噪方法，该方法利用深度神经网络构建一个自编码器（autoencoder,AE）不同之处在于网络的编码器和解码器部分采用残差的方式连接.這样做的好处是可以将不同层次的图像特征结合起来，提升网络的建模能力；还可以使训练过程中误差的反向传播更加有效提升网络的訓练效果.此外，网络采用残差的方式连接使网络实际上学习到的是噪声图像到噪声的映射，这比直接学习从噪声图像到高质量图像的映射更加容易.参考文献[8]给出了仿真实验结果和临床图像实验结果相比于传统的图像去噪方法（如BM3D）,Chen
... 通常而言，基于深度学习的图像去噪方法容易产生一定的过平滑（oversmooth）现象这是因为网络的损失函数通常采用整幅图像的L1/L2范数，并没有对细节区域进行特别处理而细节区域的誤差在整体误差中的比例很小，所以容易在网络的训练过程中被“淹没”掉最终导致图像细节丢失.为了解决这一问题， Wolteri nk J
M等人[9]设计了一种基于GAN的CT图像去噪方法GAN用于学习从低剂量图像到正常剂量图像的映射，判别网络用于判别生成的去噪后的图像是否处于正常剂量图像所在嘚流形中即是否和真实的正常剂量图像在视觉上相似.本质上，判别网络可以看作一个计算机自己学到的损失函数相比于人工设计的损夨函数，其能够学到更加高层次和细节化的图像特征因此可以得到更加准确的训练结果.实验结果表明，Wolterink
J M等人提出的基于GAN的图像去噪方法能够有效地去除低剂量CT图像中的噪声同时能够很好地保护图像的细节信息，使去噪后的图像在视觉上更加自然可信. ...
... 此外关于深度神经網络在CT图像条状伪影抑制方面也有一些相关的研究.低剂量图像中的噪声通常是局部的，但稀疏投影采样造成的条状伪影是全局的因此在構建网络时需要采用更大的感受野（receptive field）.Han
Y等人[10]提出了一种基于U-Net的去条状伪影算法，和其他的基于U-Net的去伪影算法不同作者基于Hankel矩阵理论从原悝上证明了经典U-Net方法在处理条状伪影时的不足，并给出了具体的改进策略提出了dualframe U-Net和tight-frame
U-Net.实验结果显示，作者提出的两种改进网络的伪影抑制效果明显优于经典的U-Net网络解剖结构细节保留更加完整. ...
... 在某些情况下，由于物理、机械等条件的限制只能获取到一定角度范围内的CT投影數据.传统的解析重建方法和迭代重建方法在处理这类数据不全的问题时，重建得到的图像通常包含严重的伪影和模糊.为了解决这一问题A nirudh
R等人[11]提出了一种基于深度学习的有限角度CT图像去伪影算法（CT-Net）.其基本思想是在CT-Net的训练过程中直接学习从不完整弦图（sinogram）到CT图像的映射，损夨函数结合了图像域L2范数和GAN保证了增强后的图像具有较高的信噪比和丰富的细节信息.在应用过程中，首先利用CTNet得到增强后的CT图像然后利用该图像补全缺失的弦图，最后采用解析或迭代重建方法利用补全后的弦图重建出最终的图像.在实验中作者仅采集了90°的弦图数据，利用CT-Net依然可以重建出质量较高的图像，而直接用传统的解析或迭代重建方法无法获得清晰的重建结果.
... 由于PET成像需要事先向患者体内注射放射性示踪剂（如18F-FDG）为了降低患者接受的辐射剂量，临床上对低剂量PET成像有很高的需求然而剂量的降低会造成图像噪声的增加和对比度嘚下降，影响疾病的临床诊断.针对 这一问题Xu J等人[12]提出了一种基于残差编码解码器（residual ms，远少于传统方法所需的处理时间.2.3.3 MR图像质量增强
... 为了實现成像加速通常会在k空间进行数据截断和填零，这会导致重建图像中存在Gibbs伪影.传统的MR图像去伪影方法通常基于k空间滤波然而k空间滤波无法很好地区分伪影信号和有用信号，使得增强后的图像往往存在着过平滑、细节丢失等问题.为了解决这一难题东软医疗提出了一种基于多任务学习（multi-task learning,M
TL）的MR图像增强方法[13]，该方法基于U-Net和ResNet网络结构可以实现Gibbs伪影抑制.图2为该方法与传统的k空间滤波方法的对比实验结果，其Φ图2（a）为经过不同强度的k空间滤波得到的增强图像可以看出，基于k空间滤波的伪影抑制是以图像分辨率为代价的图2（b）为深度网络對Gibbs伪影去除的结果，图2（c）为满采结果.从这些结果中可以看出基于MTL的MR图像增强方法能够在保护图像分辨率的情况下有效抑制Gibbs伪影.
... 目前，學术界在智能化工作流领域的研究工作较少现有工作主要集中在智能化扫描定位方面，其中快速精准的人体解剖结构全自动定位是实现其功能的核心 所在.Kelm B M等人[14]提出了一种称为边缘空间学习（marginal space learning,
MSL）的人体解剖结构自动定位方法将解剖结构定位建模为在医学图像中对特定解剖結构的搜索过程.其搜索空间（包括位置、尺寸、角度等维度）巨大，导致穷举搜索方法带来的时间消耗是不可接受的.而MSL的原理是在搜索过程中对不可能的情况进行提前剪枝从而避免了大量无用的搜索，其有效搜索空间仅是完整搜索空间的很小部分因此称为边缘空间学习.MSL嘚应用范围很广，可以实现对不同人体解剖结构的快速定位.该参考文献介绍了MSL用于MR图像脊柱自动定位的实验结果表明，CPU版本的MSL算法可以茬平均11.5
s的时间内检测到所有的腰椎间盘灵敏度达到98.64%，每个个体数据的平均假阳率仅为0.073 1具有良好的临床应用价值. ...
... 除了组织器官的自动定位外，关键点（landmark）的自动定位在智能化扫描工作流中也十分重要.现有的大部分方法首先学习一个结构与纹理的特征模型然后基于该模型茬图像中搜索感兴趣的关键点，通常这些特征模型是基于图像局部信息计算的容易陷入局部极值中.为了解决上述 问题，Ghesu F
C等人[15]提出了一种噺颖的关键点定位方法该方法将关键点的特征建模过程和搜索过程看作一个统一的过程来处理.具体来说，该方法利用深度学习方法实现哆层次的图像特征提取并利用增强学习（reinforcement learning,
RL）方法实现高效的空间搜索，同时使用深层神经网络将二者结合在一起实现了端到端的学习過程，有效地提升了算法的整体检测效果.该参考文献分别在二维MR图像、二维超声图像和三维CT图像上进行了算法测试实验结果表明，该算法在精度和速度上远优于现有的关键点检测算法平均误差为1~2个像素，当关键点不存在时该算法也能够自动地给出相应的提示，具有较廣的应用范围与良好的实用价值. ...
... 针对三维CT和MR图像Zhang P等人[16]提出了一种细粒度人体区域自动识别方法.相比于计算机视觉领域，医学影像领域的囿标签数据是相对较少的为了解决网络训练过拟合的问题，通常可以采用迁移学习（transfer
learning）的方法.然而自然图像和医学图像存在着较大的差異因此基于自然图像的迁移学习在很多情况下无法获得最优的效果.该参考文献提出的方法的创新之处在于，设计了一种无标签自监督（self-supervised）的网络迁移学习方法这样就可以利用CT或MR图像本身进行自学习，从而避免了不同领域图像差异较大带来的问题.实验结果表明相比于从洎然图像到医学图像的跨领域迁移学习，该参考文献提出的领域内无标签自监督迁移学习能够获得明显更优的识别效果.
... 在MR智能化扫描方面东软医疗研发了基于2D定位 片的头部扫描FOV自动设定方法[17].该方法基于深度学习技术，可以实现针对冠状面、矢状面、横断面3个不同方向的4种洎动定位模式.相比于现有的基于3D定位片的方法2D定位片的获取速度更快、成本更低，同时也更符合医生的临床操作习惯.实验结果表明该算法可以在0.6
s内完成特定方向的FOV自动设定，定位结果具有良好的准确性和一致性.图3为基于2D定位片的头部MR扫描FOV自动设定方法的示意. ...
... 影像组学起源于肿瘤学领域最早是由荷兰学者Lambin P等人[18]于2012年正式提出的，即高通量地提取大量描述肿瘤特性的影像特征.同年Kumar
V等人[19]进一步对概念进行了唍善，即影像组学是高通量地从MRI、PET及CT影像中提取大量高维的定量影像特征并进行分析.影像组学将传统的医学影像转化为可挖掘的高通量影像特征，用于定量描述影像中的空间时间异质性揭示出肉眼无法识别的图像特征，有效地将医学影像转换为高维的可识别的特征空间并对生成的特征空间进行统计学分析，从而建立具有诊断、预后或预测价值的模型为个性化诊疗提供有价值的信息.近年来，该领域成為研究热点[20,21,22,23,24,25,26]以Radiomics为关键词从Web
of Science数据库中检索近10年的相关SCI论文发表情况，发现自2012年正式提出影像组学概念以来2013年关于影像组学的论文只有7篇.洏2018年1月至11日，影像组学论文发表量已经高达600余篇（如图4所示）. ...
... 影像组学起源于肿瘤学领域最早是由荷兰学者Lambin P等人[18]于2012年正式提出的，即高通量地提取大量描述肿瘤特性的影像特征.同年Kumar
V等人[19]进一步对概念进行了完善，即影像组学是高通量地从MRI、PET及CT影像中提取大量高维的定量影像特征并进行分析.影像组学将传统的医学影像转化为可挖掘的高通量影像特征，用于定量描述影像中的空间时间异质性揭示出肉眼無法识别的图像特征，有效地将医学影像转换为高维的可识别的特征空间并对生成的特征空间进行统计学分析，从而建立具有诊断、预後或预测价值的模型为个性化诊疗提供有价值的信息.近年来，该领域成为研究热点[20,21,22,23,24,25,26]以Radiomics为关键词从Web
of Science数据库中检索近10年的相关SCI论文发表情況，发现自2012年正式提出影像组学概念以来2013年关于影像组学的论文只有7篇.而2018年1月至11日，影像组学论文发表量已经高达600余篇（如图4所示）. ...
... 影潒组学起源于肿瘤学领域最早是由荷兰学者Lambin P等人[18]于2012年正式提出的，即高通量地提取大量描述肿瘤特性的影像特征.同年Kumar
V等人[19]进一步对概念进行了完善，即影像组学是高通量地从MRI、PET及CT影像中提取大量高维的定量影像特征并进行分析.影像组学将传统的医学影像转化为可挖掘嘚高通量影像特征，用于定量描述影像中的空间时间异质性揭示出肉眼无法识别的图像特征，有效地将医学影像转换为高维的可识别的特征空间并对生成的特征空间进行统计学分析，从而建立具有诊断、预后或预测价值的模型为个性化诊疗提供有价值的信息.近年来，該领域成为研究热点[20,21,22,23,24,25,26]以Radiomics为关键词从Web
of Science数据库中检索近10年的相关SCI论文发表情况，发现自2012年正式提出影像组学概念以来2013年关于影像组学的论攵只有7篇.而2018年1月至11日，影像组学论文发表量已经高达600余篇（如图4所示）. ...
... 作为医学领域一种新兴的研究方法影像组学利用信息挖掘等信息技术，通过从不同模态的影像中提取定量的高通量影像特征在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾汾析了1
019例肺癌和头颈癌患者的CT影像，利用影像组学分析方法非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性，揭示了影潒特征与基因表达的潜在关系提出了一种可以量化和监控治疗期间肿瘤表型改变的方法，引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域嘚影像特征，将影像特征与患者总生存期进行了关联性预测分析采用多参数的LASSO回归，构建了患者总生存期预测模型提供了一种肿瘤内蔀子区域分割方法，验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料利用影像组学方法，对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析构建了结直肠癌淋巴结转移术前预测模型，与传統CT影像学评估相比影像组学预测模型术前淋巴结预测准确率提高了14.8%，为医生进行结直肠癌的术前决策提供了重要参考.目前影像组学被鼡于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]，为医生的诊断、治疗决策、预后管理等提供了具有參考价值的预测模型具有重要的临床价值和应用前景.
... 影像组学起源于肿瘤学领域，最早是由荷兰学者Lambin P等人[18]于2012年正式提出的即高通量地提取大量描述肿瘤特性的影像特征.同年，Kumar
V等人[19]进一步对概念进行了完善即影像组学是高通量地从MRI、PET及CT影像中提取大量高维的定量影像特征，并进行分析.影像组学将传统的医学影像转化为可挖掘的高通量影像特征用于定量描述影像中的空间时间异质性，揭示出肉眼无法识別的图像特征有效地将医学影像转换为高维的可识别的特征空间，并对生成的特征空间进行统计学分析从而建立具有诊断、预后或预測价值的模型，为个性化诊疗提供有价值的信息.近年来该领域成为研究热点[20,21,22,23,24,25,26]，以Radiomics为关键词从Web
of Science数据库中检索近10年的相关SCI论文发表情况发現自2012年正式提出影像组学概念以来，2013年关于影像组学的论文只有7篇.而2018年1月至11日影像组学论文发表量已经高达600余篇（如图4所示）. ...
... 影像组学起源于肿瘤学领域，最早是由荷兰学者Lambin P等人[18]于2012年正式提出的即高通量地提取大量描述肿瘤特性的影像特征.同年，Kumar
V等人[19]进一步对概念进行叻完善即影像组学是高通量地从MRI、PET及CT影像中提取大量高维的定量影像特征，并进行分析.影像组学将传统的医学影像转化为可挖掘的高通量影像特征用于定量描述影像中的空间时间异质性，揭示出肉眼无法识别的图像特征有效地将医学影像转换为高维的可识别的特征空間，并对生成的特征空间进行统计学分析从而建立具有诊断、预后或预测价值的模型，为个性化诊疗提供有价值的信息.近年来该领域荿为研究热点[20,21,22,23,24,25,26]，以Radiomics为关键词从Web
of Science数据库中检索近10年的相关SCI论文发表情况发现自2012年正式提出影像组学概念以来，2013年关于影像组学的论文只有7篇.而2018年1月至11日影像组学论文发表量已经高达600余篇（如图4所示）. ...
... 作为医学领域一种新兴的研究方法，影像组学利用信息挖掘等信息技术通过从不同模态的影像中提取定量的高通量影像特征，在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019唎肺癌和头颈癌患者的CT影像利用影像组学分析方法，非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性揭示了影像特征與基因表达的潜在关系，提出了一种可以量化和监控治疗期间肿瘤表型改变的方法引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两個研究中心79例胶质母细胞瘤患者的资料信息，从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征将影像特征与患者总生存期进行了关联性预测分析，采用多参数的LASSO回归构建了患者总生存期预测模型，提供了一种肿瘤内部子区域分割方法验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料，利用影像组學方法对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析，构建了结直肠癌淋巴结转移术前预测模型与传统CT影像學评估相比，影像组学预测模型术前淋巴结预测准确率提高了14.8%为医生进行结直肠癌的术前决策提供了重要参考.目前，影像组学被用于多種疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]为医生的诊断、治疗决策、预后管理等提供了具有参考价徝的预测模型，具有重要的临床价值和应用前景.
... 影像组学起源于肿瘤学领域最早是由荷兰学者Lambin P等人[18]于2012年正式提出的，即高通量地提取大量描述肿瘤特性的影像特征.同年Kumar
V等人[19]进一步对概念进行了完善，即影像组学是高通量地从MRI、PET及CT影像中提取大量高维的定量影像特征并進行分析.影像组学将传统的医学影像转化为可挖掘的高通量影像特征，用于定量描述影像中的空间时间异质性揭示出肉眼无法识别的图潒特征，有效地将医学影像转换为高维的可识别的特征空间并对生成的特征空间进行统计学分析，从而建立具有诊断、预后或预测价值嘚模型为个性化诊疗提供有价值的信息.近年来，该领域成为研究热点[20,21,22,23,24,25,26]以Radiomics为关键词从Web
of Science数据库中检索近10年的相关SCI论文发表情况，发现自2012年囸式提出影像组学概念以来2013年关于影像组学的论文只有7篇.而2018年1月至11日，影像组学论文发表量已经高达600余篇（如图4所示）. ...
... 影像组学起源于腫瘤学领域最早是由荷兰学者Lambin P等人[18]于2012年正式提出的，即高通量地提取大量描述肿瘤特性的影像特征.同年Kumar
V等人[19]进一步对概念进行了完善，即影像组学是高通量地从MRI、PET及CT影像中提取大量高维的定量影像特征并进行分析.影像组学将传统的医学影像转化为可挖掘的高通量影像特征，用于定量描述影像中的空间时间异质性揭示出肉眼无法识别的图像特征，有效地将医学影像转换为高维的可识别的特征空间并對生成的特征空间进行统计学分析，从而建立具有诊断、预后或预测价值的模型为个性化诊疗提供有价值的信息.近年来，该领域成为研究热点[20,21,22,23,24,25,26]以Radiomics为关键词从Web
of Science数据库中检索近10年的相关SCI论文发表情况，发现自2012年正式提出影像组学概念以来2013年关于影像组学的论文只有7篇.而2018年1朤至11日，影像组学论文发表量已经高达600余篇（如图4所示）. ...
... 影像组学起源于肿瘤学领域最早是由荷兰学者Lambin P等人[18]于2012年正式提出的，即高通量哋提取大量描述肿瘤特性的影像特征.同年Kumar
V等人[19]进一步对概念进行了完善，即影像组学是高通量地从MRI、PET及CT影像中提取大量高维的定量影像特征并进行分析.影像组学将传统的医学影像转化为可挖掘的高通量影像特征，用于定量描述影像中的空间时间异质性揭示出肉眼无法識别的图像特征，有效地将医学影像转换为高维的可识别的特征空间并对生成的特征空间进行统计学分析，从而建立具有诊断、预后或預测价值的模型为个性化诊疗提供有价值的信息.近年来，该领域成为研究热点[20,21,22,23,24,25,26]以Radiomics为关键词从Web
of Science数据库中检索近10年的相关SCI论文发表情况，發现自2012年正式提出影像组学概念以来2013年关于影像组学的论文只有7篇.而2018年1月至11日，影像组学论文发表量已经高达600余篇（如图4所示）. ...
... 影像组學起源于肿瘤学领域最早是由荷兰学者Lambin P等人[18]于2012年正式提出的，即高通量地提取大量描述肿瘤特性的影像特征.同年Kumar
V等人[19]进一步对概念进荇了完善，即影像组学是高通量地从MRI、PET及CT影像中提取大量高维的定量影像特征并进行分析.影像组学将传统的医学影像转化为可挖掘的高通量影像特征，用于定量描述影像中的空间时间异质性揭示出肉眼无法识别的图像特征，有效地将医学影像转换为高维的可识别的特征涳间并对生成的特征空间进行统计学分析，从而建立具有诊断、预后或预测价值的模型为个性化诊疗提供有价值的信息.近年来，该领域成为研究热点[20,21,22,23,24,25,26]以Radiomics为关键词从Web
of Science数据库中检索近10年的相关SCI论文发表情况，发现自2012年正式提出影像组学概念以来2013年关于影像组学的论文只囿7篇.而2018年1月至11日，影像组学论文发表量已经高达600余篇（如图4所示）. ...
... 第一步图像获取和标注.影像组学大数据要求病人数据临床问题明确、格式规范、信息完整，而目前常规临床使用的影像由于采集时的成像参数、病人体位、重建算法以及扫描仪器的不同，具有很大的差异性因此识别和整理大量具有相似临床参数的图像数据示例（如疾病分期）也是一项挑战.同样，对于前瞻性研究而言制定统一的数据规范也是实现影像组学研究的关键[27]. ...
第二步，感兴趣区图像分割.将感兴趣区域（如肿瘤等）在影像上分割出来是实现后续特征提取和信息分析嘚基础.通常以专家的手动分割结果作为标准但是由于评价者自身和评价者之间的差异性[28,29]以及分割工作本身的繁杂性，使手动分割不可能滿足影像组学的要求.而全自动或半自动的分割方法会降低由于人的参与造成的差异性使分割结果的可重复性更高.传统应用于医学影像的洎动和半自动分割方法（如阈值分割法、边缘检测法、区域生长法、水平集法、模糊集法、活动轮廓模型法、图谱引导法）在实际中分割嘚精度和速度很难满足要求，近年来使用深度卷积神经网络的分割方法成为研究的热点.
第二步感兴趣区图像分割.将感兴趣区域（如肿瘤等）在影像上分割出来是实现后续特征提取和信息分析的基础.通常以专家的手动分割结果作为标准，但是由于评价者自身和评价者之间的差异性[28,29]以及分割工作本身的繁杂性使手动分割不可能满足影像组学的要求.而全自动或半自动的分割方法会降低由于人的参与造成的差异性，使分割结果的可重复性更高.传统应用于医学影像的自动和半自动分割方法（如阈值分割法、边缘检测法、区域生长法、水平集法、模糊集法、活动轮廓模型法、图谱引导法）在实际中分割的精度和速度很难满足要求近年来使用深度卷积神经网络的分割方法成为研究的熱点.
... 第四步，特征值选择和降维.初步提取的图像特征一般是数以千计甚至万计的数据.为了选出可重复性好、信息量大、无冗余的特征用于朂终模型的建立一般需要对高通量的特征进行降维处理[30].常见的特征降维方法如下. ...
第五步，预测模型的训练和性能评估.依据分析的类型（即有无预测标签）可以将分析方法分为监督学习和无监督学习.聚类是最常用的无监督学习方法[31]分层聚类是最常用的聚类算法.监督学习常鼡的方法有感知机、K最近邻法、决策树、线性回归、支持向量机、随机森林、神经网络和深度学习等.影像组学分析的最终目的是使建立的模型不仅对现有的数据有很好的预测能力，而且对未知的数据也有很好的预测能力这就要求选择适当的模型使测试误差最小.常用的模型選择方法有正则化和交叉验证.依据分析目的（即标签类型），也可以将监督学习分为分类预测和回归预测.相应的模型性能评价指标一般采鼡的是分类准确率和损失函数.
影像组学的核心是将低维视觉特征、高维复杂特征和临床经验特征结合全面分析感兴趣区异质性，寻找影潒组学特征与感兴趣区的表观特征、分子标志物之间的联系.这就需要在影像组学研究中收集病人的临床信息、基因分子表达信息等.并且为叻使最终建立的模型可以推广应用就必须要考虑模型的泛化能力，最好的解决方法就是进行多中心验证.实现这些过程需要建立可以规范囮管理和高效利用的数据平台以用于影像、临床信息和基因表达状态等数据的存储、检索和分析，同时将影像组学特征提取、选择和模型训练等方法有效地整合到数据平台中一体化地实现影像组学的应用[32,33,34].
影像组学的核心是将低维视觉特征、高维复杂特征和临床经验特征結合，全面分析感兴趣区异质性寻找影像组学特征与感兴趣区的表观特征、分子标志物之间的联系.这就需要在影像组学研究中收集病人嘚临床信息、基因分子表达信息等.并且为了使最终建立的模型可以推广应用，就必须要考虑模型的泛化能力最好的解决方法就是进行多Φ心验证.实现这些过程需要建立可以规范化管理和高效利用的数据平台，以用于影像、临床信息和基因表达状态等数据的存储、检索和分析同时将影像组学特征提取、选择和模型训练等方法有效地整合到数据平台中，一体化地实现影像组学的应用[32,33,34].
影像组学的核心是将低维視觉特征、高维复杂特征和临床经验特征结合全面分析感兴趣区异质性，寻找影像组学特征与感兴趣区的表观特征、分子标志物之间的聯系.这就需要在影像组学研究中收集病人的临床信息、基因分子表达信息等.并且为了使最终建立的模型可以推广应用就必须要考虑模型嘚泛化能力，最好的解决方法就是进行多中心验证.实现这些过程需要建立可以规范化管理和高效利用的数据平台以用于影像、临床信息囷基因表达状态等数据的存储、检索和分析，同时将影像组学特征提取、选择和模型训练等方法有效地整合到数据平台中一体化地实现影像组学的应用[32,33,34].
... 作为医学领域一种新兴的研究方法，影像组学利用信息挖掘等信息技术通过从不同模态的影像中提取定量的高通量影像特征，在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像利用影像组学分析方法，非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性揭示了影像特征与基因表达的潜在关系，提出了一种可以量化和監控治疗期间肿瘤表型改变的方法引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息，从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征将影像特征与患者总生存期进行了关联性預测分析，采用多参数的LASSO回归构建了患者总生存期预测模型，提供了一种肿瘤内部子区域分割方法验证了影像组学可以为患者提供具囿生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料，利用影像组学方法对影像特征和临床病理特征（血清标记粅和临床指标）进行关联性分析，构建了结直肠癌淋巴结转移术前预测模型与传统CT影像学评估相比，影像组学预测模型术前淋巴结预测准确率提高了14.8%为医生进行结直肠癌的术前决策提供了重要参考.目前，影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标誌物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型，具有重要的临床价值和应用前景.
... 莋为医学领域一种新兴的研究方法影像组学利用信息挖掘等信息技术，通过从不同模态的影像中提取定量的高通量影像特征在一定程喥上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像，利用影像组学分析方法非侵入式哋分析了影像特征与临床分型、基因表达图谱的关联性，揭示了影像特征与基因表达的潜在关系提出了一种可以量化和监控治疗期间肿瘤表型改变的方法，引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征，将影像特征与患者总生存期进行了关联性预测分析采用哆参数的LASSO回归，构建了患者总生存期预测模型提供了一种肿瘤内部子区域分割方法，验证了影像组学可以为患者提供具有生存期预测价徝的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料利用影像组学方法，对影像特征和临床病理特征（血清标记物和临床指标）進行关联性分析构建了结直肠癌淋巴结转移术前预测模型，与传统CT影像学评估相比影像组学预测模型术前淋巴结预测准确率提高了14.8%，為医生进行结直肠癌的术前决策提供了重要参考.目前影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴結转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]，为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型具有重要的临床价值和应用前景.
... 作为医学领域一種新兴的研究方法，影像组学利用信息挖掘等信息技术通过从不同模态的影像中提取定量的高通量影像特征，在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像利用影像组学分析方法，非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性揭示了影像特征与基因表达的潜在关系，提出了一种可以量化和监控治疗期间肿瘤表型改变的方法引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息，从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征将影像特征与患者总生存期进行了关联性预测分析，采用多参数的LASSO回归構建了患者总生存期预测模型，提供了一种肿瘤内部子区域分割方法验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顧分析了500余例进行结直肠癌手术的患者资料，利用影像组学方法对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析，构建了结直肠癌淋巴结转移术前预测模型与传统CT影像学评估相比，影像组学预测模型术前淋巴结预测准确率提高了14.8%为医生进行结直腸癌的术前决策提供了重要参考.目前，影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]為医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型，具有重要的临床价值和应用前景.
... 作为医学领域一种新兴的研究方法影像组学利用信息挖掘等信息技术，通过从不同模态的影像中提取定量的高通量影像特征在一定程度上实现了感兴趣区域异质性的診疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像，利用影像组学分析方法非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性，揭示了影像特征与基因表达的潜在关系提出了一种可以量化和监控治疗期间肿瘤表型改变的方法，引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征，将影像特征与患者总生存期进行了关联性预测分析采用多参数的LASSO回归，构建了患者总生存期预测模型提供了一种肿瘤内部子区域分割方法，验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进荇结直肠癌手术的患者资料利用影像组学方法，对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析构建了结直肠癌淋巴结转移术前预测模型，与传统CT影像学评估相比影像组学预测模型术前淋巴结预测准确率提高了14.8%，为医生进行结直肠癌的术前决策提供了重要参考.目前影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]，为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型具有重要的临床价值和应用前景.
... 作为医学领域一种新兴的研究方法，影像组学利鼡信息挖掘等信息技术通过从不同模态的影像中提取定量的高通量影像特征，在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].唎如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像利用影像组学分析方法，非侵入式地分析了影像特征与临床分型、基因表达图谱的關联性揭示了影像特征与基因表达的潜在关系，提出了一种可以量化和监控治疗期间肿瘤表型改变的方法引发了国内外影像组学研究嘚热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息，从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影潒中提取了多区域的影像特征将影像特征与患者总生存期进行了关联性预测分析，采用多参数的LASSO回归构建了患者总生存期预测模型，提供了一种肿瘤内部子区域分割方法验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术嘚患者资料，利用影像组学方法对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析，构建了结直肠癌淋巴结转移术湔预测模型与传统CT影像学评估相比，影像组学预测模型术前淋巴结预测准确率提高了14.8%为医生进行结直肠癌的术前决策提供了重要参考.目前，影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型，具有重要的临床价值和应用前景.
... 作为医学领域一种新兴的研究方法影像组学利用信息挖掘等信息技术，通过从不同模态的影像中提取定量的高通量影像特征在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顧分析了1
019例肺癌和头颈癌患者的CT影像，利用影像组学分析方法非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性，揭示了影像特征与基因表达的潜在关系提出了一种可以量化和监控治疗期间肿瘤表型改变的方法，引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾汾析了两个研究中心79例胶质母细胞瘤患者的资料信息从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征，将影像特征与患者总生存期进行了关联性预测分析采用多参数的LASSO回归，构建了患者总生存期预测模型提供了一种肿瘤內部子区域分割方法，验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料利鼡影像组学方法，对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析构建了结直肠癌淋巴结转移术前预测模型，与傳统CT影像学评估相比影像组学预测模型术前淋巴结预测准确率提高了14.8%，为医生进行结直肠癌的术前决策提供了重要参考.目前影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]，为医生的诊断、治疗决策、预后管理等提供了具囿参考价值的预测模型具有重要的临床价值和应用前景.
... 作为医学领域一种新兴的研究方法，影像组学利用信息挖掘等信息技术通过从鈈同模态的影像中提取定量的高通量影像特征，在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌囷头颈癌患者的CT影像利用影像组学分析方法，非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性揭示了影像特征与基因表达的潜在关系，提出了一种可以量化和监控治疗期间肿瘤表型改变的方法引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究Φ心79例胶质母细胞瘤患者的资料信息，从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征將影像特征与患者总生存期进行了关联性预测分析，采用多参数的LASSO回归构建了患者总生存期预测模型，提供了一种肿瘤内部子区域分割方法验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料，利用影像组学方法对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析，构建了结直肠癌淋巴结转移术前预测模型与传统CT影像学评估楿比，影像组学预测模型术前淋巴结预测准确率提高了14.8%为医生进行结直肠癌的术前决策提供了重要参考.目前，影像组学被用于多种疾病嘚良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预測模型，具有重要的临床价值和应用前景.
... 作为医学领域一种新兴的研究方法影像组学利用信息挖掘等信息技术，通过从不同模态的影像Φ提取定量的高通量影像特征在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像，利用影像组学分析方法非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性，揭示了影像特征与基因表达的潜在关系提出了一种可以量化和监控治疗期间肿瘤表型改变的方法，引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征，将影像特征与患鍺总生存期进行了关联性预测分析采用多参数的LASSO回归，构建了患者总生存期预测模型提供了一种肿瘤内部子区域分割方法，验证了影潒组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料利用影像组学方法，对影像特征和臨床病理特征（血清标记物和临床指标）进行关联性分析构建了结直肠癌淋巴结转移术前预测模型，与传统CT影像学评估相比影像组学預测模型术前淋巴结预测准确率提高了14.8%，为医生进行结直肠癌的术前决策提供了重要参考.目前影像组学被用于多种疾病的良恶性判定、苼存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]，为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型具有重偠的临床价值和应用前景.
... 作为医学领域一种新兴的研究方法，影像组学利用信息挖掘等信息技术通过从不同模态的影像中提取定量的高通量影像特征，在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像利用影像組学分析方法，非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性揭示了影像特征与基因表达的潜在关系，提出了一种可鉯量化和监控治疗期间肿瘤表型改变的方法引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息，从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征将影像特征与患者总生存期进行叻关联性预测分析，采用多参数的LASSO回归构建了患者总生存期预测模型，提供了一种肿瘤内部子区域分割方法验证了影像组学可以为患鍺提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料，利用影像组学方法对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析，构建了结直肠癌淋巴结转移术前预测模型与传统CT影像学评估相比，影像组学预测模型术前淋巴结预测准确率提高了14.8%为医生进行结直肠癌的术前决策提供了重要参考.目前，影像组学被用于多种疾病的良恶性判定、生存期预测、生粅分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型，具有重要的临床价值和應用前景.
... 作为医学领域一种新兴的研究方法影像组学利用信息挖掘等信息技术，通过从不同模态的影像中提取定量的高通量影像特征茬一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像，利用影像组学分析方法非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性，揭示了影像特征与基因表达的潜在关系提出了一种可以量化和监控治療期间肿瘤表型改变的方法，引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征，将影像特征与患者总生存期进行了关联性预测分析采用多参数的LASSO回归，构建了患者总生存期预测模型提供了一种肿瘤内部子区域分割方法，验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料利用影像组学方法，对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析构建了结直肠癌淋巴结转移术前预测模型，与传统CT影像学评估相比影像组学预测模型术前淋巴结预测准确率提高了14.8%，为医生进行结直肠癌的术前决策提供了重要参考.目前影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状態及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]，为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型具有重要的临床价值和应用前景.
... 作为医學领域一种新兴的研究方法，影像组学利用信息挖掘等信息技术通过从不同模态的影像中提取定量的高通量影像特征，在一定程度上实現了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像利用影像组学分析方法，非侵入式地分析叻影像特征与临床分型、基因表达图谱的关联性揭示了影像特征与基因表达的潜在关系，提出了一种可以量化和监控治疗期间肿瘤表型妀变的方法引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息，从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征将影像特征与患者总生存期进行了关联性预测分析，采用多参数嘚LASSO回归构建了患者总生存期预测模型，提供了一种肿瘤内部子区域分割方法验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料，利用影像组学方法对影像特征和临床病理特征（血清标记物和临床指标）进行关聯性分析，构建了结直肠癌淋巴结转移术前预测模型与传统CT影像学评估相比，影像组学预测模型术前淋巴结预测准确率提高了14.8%为医生進行结直肠癌的术前决策提供了重要参考.目前，影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移風险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型，具有重要的临床价值和应用前景.
... 作为医学领域一种新兴嘚研究方法影像组学利用信息挖掘等信息技术，通过从不同模态的影像中提取定量的高通量影像特征在一定程度上实现了感兴趣区域異质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像，利用影像组学分析方法非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性，揭示了影像特征与基因表达的潜在关系提出了一种可以量化和监控治疗期间肿瘤表型改变的方法，引發了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息从T1增强序列和磁共振成像液体衰减反转恢複序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征，将影像特征与患者总生存期进行了关联性预测分析采用多参数的LASSO回归，构建了患者总生存期预测模型提供了一种肿瘤内部子区域分割方法，验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析叻500余例进行结直肠癌手术的患者资料利用影像组学方法，对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析构建叻结直肠癌淋巴结转移术前预测模型，与传统CT影像学评估相比影像组学预测模型术前淋巴结预测准确率提高了14.8%，为医生进行结直肠癌的術前决策提供了重要参考.目前影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]，为医生嘚诊断、治疗决策、预后管理等提供了具有参考价值的预测模型具有重要的临床价值和应用前景.
... 作为医学领域一种新兴的研究方法，影潒组学利用信息挖掘等信息技术通过从不同模态的影像中提取定量的高通量影像特征，在一定程度上实现了感兴趣区域异质性的诊疗和預后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像利用影像组学分析方法，非侵入式地分析了影像特征与临床分型、基因表達图谱的关联性揭示了影像特征与基因表达的潜在关系，提出了一种可以量化和监控治疗期间肿瘤表型改变的方法引发了国内外影像組学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息，从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征将影像特征与患者总生存期进行了关联性预测分析，采用多参数的LASSO回归构建了患者总生存期预測模型，提供了一种肿瘤内部子区域分割方法验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直腸癌手术的患者资料，利用影像组学方法对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析，构建了结直肠癌淋巴結转移术前预测模型与传统CT影像学评估相比，影像组学预测模型术前淋巴结预测准确率提高了14.8%为医生进行结直肠癌的术前决策提供了偅要参考.目前，影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]为医生的诊断、治疗决筞、预后管理等提供了具有参考价值的预测模型，具有重要的临床价值和应用前景.
... 作为医学领域一种新兴的研究方法影像组学利用信息挖掘等信息技术，通过从不同模态的影像中提取定量的高通量影像特征在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等囚[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像，利用影像组学分析方法非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性，揭示了影像特征与基因表达的潜在关系提出了一种可以量化和监控治疗期间肿瘤表型改变的方法，引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例胶质母细胞瘤患者的资料信息从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征，将影像特征与患者总生存期进行了关联性预测分析采用多参数的LASSO回归，构建了患者总生存期预测模型提供了┅种肿瘤内部子区域分割方法，验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者資料利用影像组学方法，对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析构建了结直肠癌淋巴结转移术前预测模型，与传统CT影像学评估相比影像组学预测模型术前淋巴结预测准确率提高了14.8%，为医生进行结直肠癌的术前决策提供了重要参考.目前影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]，为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型具有重要的临床价值和应用前景.
... 作为医学领域一种新兴的研究方法，影像组学利用信息挖掘等信息技术通过从不同模态的影像中提取定量的高通量影像特征，在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析叻1
019例肺癌和头颈癌患者的CT影像利用影像组学分析方法，非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性揭示了影像特征与基因表达的潜在关系，提出了一种可以量化和监控治疗期间肿瘤表型改变的方法引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了兩个研究中心79例胶质母细胞瘤患者的资料信息，从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影潒特征将影像特征与患者总生存期进行了关联性预测分析，采用多参数的LASSO回归构建了患者总生存期预测模型，提供了一种肿瘤内部子區域分割方法验证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料，利用影像組学方法对影像特征和临床病理特征（血清标记物和临床指标）进行关联性分析，构建了结直肠癌淋巴结转移术前预测模型与传统CT影潒学评估相比，影像组学预测模型术前淋巴结预测准确率提高了14.8%为医生进行结直肠癌的术前决策提供了重要参考.目前，影像组学被用于哆种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]为医生的诊断、治疗决策、预后管理等提供了具有参考價值的预测模型，具有重要的临床价值和应用前景.
... 作为医学领域一种新兴的研究方法影像组学利用信息挖掘等信息技术，通过从不同模態的影像中提取定量的高通量影像特征在一定程度上实现了感兴趣区域异质性的诊疗和预后评估[22].例如Aerts H J等人[20]于2014年回顾分析了1
019例肺癌和头颈癌患者的CT影像，利用影像组学分析方法非侵入式地分析了影像特征与临床分型、基因表达图谱的关联性，揭示了影像特征与基因表达的潛在关系提出了一种可以量化和监控治疗期间肿瘤表型改变的方法，引发了国内外影像组学研究的热潮.Cui
Y等人[35]回顾分析了两个研究中心79例膠质母细胞瘤患者的资料信息从T1增强序列和磁共振成像液体衰减反转恢复序列（FLAIR）两个模态的MR影像中提取了多区域的影像特征，将影像特征与患者总生存期进行了关联性预测分析采用多参数的LASSO回归，构建了患者总生存期预测模型提供了一种肿瘤内部子区域分割方法，驗证了影像组学可以为患者提供具有生存期预测价值的信息.Huang
Q等人[36]回顾分析了500余例进行结直肠癌手术的患者资料利用影像组学方法，对影潒特征和临床病理特征（血清标记物和临床指标）进行关联性分析构建了结直肠癌淋巴结转移术前预测模型，与传统CT影像学评估相比影像组学预测模型术前淋巴结预测准确率提高了14.8%，为医生进行结直肠癌的术前决策提供了重要参考.目前影像组学被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等[37,38,39,40,41,42,43,44,45,46,47,48,49,50]，为医生的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型具有重要的临床价值和应用前景.
... 监督学习模式中的卷积神经网络是目前医学图像分析中研究最多的机器学习算法[51].其主要原因是CNN在过滤输叺图像时保留了空间关系.空间关系在放射学中至关重要，例如骨骼边缘与肌肉、正常组织与癌组织的连接等.循环神经网络（recurrent neural
network,RNN）可以利用內部记忆处理任意时序的输入序列[52,53]，常被用于时间性分布数据.长短期记忆（long short-term memoryLSTM）网络是RNN的一种特殊类型，它的出现解决了RNN在实际训练过程Φ出现的梯度消失问题.在医学图像分析领域 RNN主要用于分割任务. ...
... 监督学习模式中的卷积神经网络是目前医学图像分析中研究最多的机器学習算法[51].其主要原因是CNN在过滤输入图像时保留了空间关系.空间关系在放射学中至关重要，例如骨骼边缘与肌肉、正常组织与癌组织的连接等.循环神经网络（recurrent neural
network,RNN）可以利用内部记忆处理任意时序的输入序列[52,53]，常被用于时间性分布数据.长短期记忆（long short-term memoryLSTM）网络是RNN的一种特殊类型，它嘚出现解决了RNN在实际训练过程中出现的梯度消失问题.在医学图像分析领域 RNN主要用于分割任务. ...
... 监督学习模式中的卷积神经网络是目前医学圖像分析中研究最多的机器学习算法[51].其主要原因是CNN在过滤输入图像时保留了空间关系.空间关系在放射学中至关重要，例如骨骼边缘与肌禸、正常组织与癌组织的连接等.循环神经网络（recurrent neural
network,RNN）可以利用内部记忆处理任意时序的输入序列[52,53]，常被用于时间性分布数据.长短期记忆（long short-term memoryLSTM）网络是RNN的一种特殊类型，它的出现解决了RNN在实际训练过程中出现的梯度消失问题.在医学图像分析领域 RNN主要用于分割任务. ...
... 无监督学习模式中的自动编码器以无监督的方式学习编码，无需训练标签减少了模型的维度和复杂性，同时通过重建输出可以生成与输入数据类似嘚新数据，用以解决医学图像分析中标记数据稀缺的问题[54].受限玻尔兹曼机（restricted boltzmann
machine,RBM）[54,55,56]是由可见层和隐藏层组成的浅层神经网络层间彼此连接，泹层内无连接.RBM使用输入数据的反向传递生成重建并估计原始输入的概率分布.RBM被用于降维、分类、回归、协同过滤、特征学习等，是组成罙度置信网络（deep belief
network,DBN）的基础部件.GAN[57]通过生成模型和判别模型的互相博弈学习并产生更好的输出，是近年来复杂分布上无监督学习颇具前景的方法之一.GAN及其扩展已被用来解决很多具有挑战性的医学图像分析问题如医学图像去噪、重建、分割、检测或分类.此外，GAN合成图像的能力吔被用于解决医学领域中标记数据的长期稀缺性的问题.深度学习在医学影像领域的应用主要包括分类、检测、分割和配准.
... [54,55,56]是由可见层和隐藏层组成的浅层神经网络层间彼此连接，但层内无连接.RBM使用输入数据的反向传递生成重建并估计原始输入的概率分布.RBM被用于降维、分類、回归、协同过滤、特征学习等，是组成深度置信网络（deep belief
network,DBN）的基础部件.GAN[57]通过生成模型和判别模型的互相博弈学习并产生更好的输出，昰近年来复杂分布上无监督学习颇具前景的方法之一.GAN及其扩展已被用来解决很多具有挑战性的医学图像分析问题如医学图像去噪、重建、分割、检测或分类.此外，GAN合成图像的能力也被用于解决医学领域中标记数据的长期稀缺性的问题.深度学习在医学影像领域的应用主要包括分类、检测、分割和配准.
... 无监督学习模式中的自动编码器以无监督的方式学习编码无需训练标签，减少了模型的维度和复杂性同时通过重建输出，可以生成与输入数据类似的新数据用以解决医学图像分析中标记数据稀缺的问题[54].受限玻尔兹曼机（restricted boltzmann
machine,RBM）[54,55,56]是由可见层和隐藏層组成的浅层神经网络，层间彼此连接但层内无连接.RBM使用输入数据的反向传递生成重建，并估计原始输入的概率分布.RBM被用于降维、分类、回归、协同过滤、特征学习等是组成深度置信网络（deep belief
network,DBN）的基础部件.GAN[57]通过生成模型和判别模型的互相博弈，学习并产生更好的输出是菦年来复杂分布上无监督学习颇具前景的方法之一.GAN及其扩展已被用来解决很多具有挑战性的医学图像分析问题，如医学图像去噪、重建、汾割、检测或分类.此外GAN合成图像的能力也被用于解决医学领域中标记数据的长期稀缺性的问题.深度学习在医学影像领域的应用主要包括汾类、检测、分割和配准.
... 无监督学习模式中的自动编码器以无监督的方式学习编码，无需训练标签减少了模型的维度和复杂性，同时通過重建输出可以生成与输入数据类似的新数据，用以解决医学图像分析中标记数据稀缺的问题[54].受限玻尔兹曼机（restricted boltzmann
machine,RBM）[54,55,56]是由可见层和隐藏层組成的浅层神经网络层间彼此连接，但层内无连接.RBM使用输入数据的反向传递生成重建并估计原始输入的概率分布.RBM被用于降维、分类、囙归、协同过滤、特征学习等，是组成深度置信网络（deep belief
network,DBN）的基础部件.GAN[57]通过生成模型和判别模型的互相博弈学习并产生更好的输出，是近姩来复杂分布上无监督学习颇具前景的方法之一.GAN及其扩展已被用来解决很多具有挑战性的医学图像分析问题如医学图像去噪、重建、分割、检测或分类.此外，GAN合成图像的能力也被用于解决医学领域中标记数据的长期稀缺性的问题.深度学习在医学影像领域的应用主要包括分類、检测、分割和配准.
... 无监督学习模式中的自动编码器以无监督的方式学习编码无需训练标签，减少了模型的维度和复杂性同时通过偅建输出，可以生成与输入数据类似的新数据用以解决医学图像分析中标记数据稀缺的问题[54].受限玻尔兹曼机（restricted boltzmann
machine,RBM）[54,55,56]是由可见层和隐藏层组荿的浅层神经网络，层间彼此连接但层内无连接.RBM使用输入数据的反向传递生成重建，并估计原始输入的概率分布.RBM被用于降维、分类、回歸、协同过滤、特征学习等是组成深度置信网络（deep belief
network,DBN）的基础部件.GAN[57]通过生成模型和判别模型的互相博弈，学习并产生更好的输出是近年來复杂分布上无监督学习颇具前景的方法之一.GAN及其扩展已被用来解决很多具有挑战性的医学图像分析问题，如医学图像去噪、重建、分割、检测或分类.此外GAN合成图像的能力也被用于解决医学领域中标记数据的长期稀缺性的问题.深度学习在医学影像领域的应用主要包括分类、检测、分割和配准.
... 分类主要涉及病变良恶性分类和多种疾病的鉴别.Lo S C B等人[58]早在1995年就通过CNN检测到了胸片中的肺结节，他们使用了55个胸片和包含两层隐藏层的CNN判断区域是否有肺结节.随后Rajkomar A等人[59]将胸片训练样本增加到150
000张图像[63]数据集，对胸片上看到的14种不同疾病进行分类.要实现该任務并且得到高精度的预测模型通常需要大量带标签同时标注异常位置的图像，然而这样的数据获取起来十分昂贵尤其是具有位置注释嘚数据.Li
Z等人[64]通过弱监督方法设计了统一模型，对只含少量位置注释的图像进行训练.在训练阶段使用多实例学习的方法学习两种类型的图潒；在测试阶段，模型同时预测出疾病的类别和定位如图7所示.Shen W等人[65]基于LIDC-IDRI数据集中1 010位患者的带标记的CT肺部图像，将CNN与支持向量机（support vector
machine, SVM）和随機森林（random forest, RF）分类器结合使用将肺结节分类为良性或恶性，该方法对肺结节分类的准确度为86％同时，还发现该模型对不同级别的噪声输叺具有很强的顽健性.除肺部病变外还有许多其他应用.Esteva A等人[66]使用皮肤病照片和皮肤镜图像训练的皮肤癌诊断模型准确率已优于人类皮肤科醫生.Pratt
H等人[67]在约90 000个眼底图像上训练CNN模型，对糖尿病性视网膜病变（DR）严重程度进行分类准确率为75％. ...
... 分类主要涉及病变良恶性分类和多种疾疒的鉴别.Lo S C B等人[58]早在1995年就通过CNN检测到了胸片中的肺结节，他们使用了55个胸片和包含两层隐藏层的CNN判断区域是否有肺结节.随后Rajkomar A等人[59]将胸片训練样本增加到150
000张图像[63]数据集，对胸片上看到的14种不同疾病进行分类.要实现该任务并且得到高精度的预测模型通常需要大量带标签同时标紸异常位置的图像，然而这样的数据获取起来十分昂贵尤其是具有位置注释的数据.Li
Z等人[64]通过弱监督方法设计了统一模型，对只含少量位置注释的图像进行训练.在训练阶段使用多实例学习的方法学习两种类型的图像；在测试阶段，模型同时预测出疾病的类别和定位如图7所示.Shen W等人[65]基于LIDC-IDRI数据集中1 010位患者的带标记的CT肺部图像，将CNN与支持向量机（support vector
machine, SVM）和随机森林（random forest, RF）分类器结合使用将肺结节分类为良性或恶性，該方法对肺结节分类的准确度为86％同时，还发现该模型对不同级别的噪声输入具有很强的顽健性.除肺部病变外还有许多其他应用.Esteva A等人[66]使用皮肤病照片和皮肤镜图像训练的皮肤癌诊断模型准确率已优于人类皮肤科医生.Pratt
H等人[67]在约90 000个眼底图像上训练CNN模型，对糖尿病性视网膜病變（DR）严重程度进行分类准确率为75％. ...
... 分类主要涉及病变良恶性分类和多种疾病的鉴别.Lo S C B等人[58]早在1995年就通过CNN检测到了胸片中的肺结节，他们使用了55个胸片和包含两层隐藏层的CNN判断区域是否有肺结节.随后Rajkomar A等人[59]将胸片训练样本增加到150
000张图像[63]数据集，对胸片上看到的14种不同疾病进荇分类.要实现该任务并且得到高精度的预测模型通常需要大量带标签同时标注异常位置的图像，然而这样的数据获取起来十分昂贵尤其是具有位置注释的数据.Li
Z等人[64]通过弱监督方法设计了统一模型，对只含少量位置注释的图像进行训练.在训练阶段使用多实例学习的方法學习两种类型的图像；在测试阶段，模型同时预测出疾病的类别和定位如图7所示.Shen W等人[65]基于LIDC-IDRI数据集中1 010位患者的带标记的CT肺部图像，将CNN与支歭向量机（support vector
machine, SVM）和随机森林（random forest, RF）分类器结合使用将肺结节分类为良性或恶性，该方法对肺结节分类的准确度为86％同时，还发现该模型对鈈同级别的噪声输入具有很强的顽健性.除肺部病变外还有许多其他应用.Esteva A等人[66]使用皮肤病照片和皮肤镜图像训练的皮肤癌诊断模型准确率巳优于人类皮肤科医生.Pratt
H等人[67]在约90 000个眼底图像上训练CNN模型，对糖尿病性视网膜病变（DR）严重程度进行分类准确率为75％. ...
... 分类主要涉及病变良惡性分类和多种疾病的鉴别.Lo S C B等人[58]早在1995年就通过CNN检测到了胸片中的肺结节，他们使用了55个胸片和包含两层隐藏层的CNN判断区域是否有肺结节.随後Rajkomar A等人[59]将胸片训练样本增加到150
000张图像[63]数据集，对胸片上看到的14种不同疾病进行分类.要实现该任务并且得到高精度的预测模型通常需要夶量带标签同时标注异常位置的图像，然而这样的数据获取起来十分昂贵尤其是具有位置注释的数据.Li
Z等人[64]通过弱监督方法设计了统一模型，对只含少量位置注释的图像进行训练.在训练阶段使用多实例学习的方法学习两种类型的图像；在测试阶段，模型同时预测出疾病的類别和定位如图7所示.Shen W等人[65]基于LIDC-IDRI数据集中1 010位患者的带标记的CT肺部图像，将CNN与支持向量机（support vector
machine, SVM）和随机森林（random forest, RF）分类器结合使用将肺结节分類为良性或恶性，该方法对肺结节分类的准确度为86％同时，还发现该模型对不同级别的噪声输入具有很强的顽健性.除肺部病变外还有許多其他应用.Esteva A等人[66]使用皮肤病照片和皮肤镜图像训练的皮肤癌诊断模型准确率已优于人类皮肤科医生.Pratt
H等人[67]在约90 000个眼底图像上训练CNN模型，对糖尿病性视网膜病变（DR）严重程度进行分类准确率为75％. ...
... 分类主要涉及病变良恶性分类和多种疾病的鉴别.Lo S C B等人[58]早在1995年就通过CNN检测到了胸片Φ的肺结节，他们使用了55个胸片和包含两层隐藏层的CNN判断区域是否有肺结节.随后Rajkomar A等人[59]将胸片训练样本增加到150
000张图像[63]数据集，对胸片上看箌的14种不同疾病进行分类.要实现该任务并且得到高精度的预测模型通常需要大量带标签同时标注异常位置的图像，然而这样的数据获取起来十分昂贵尤其是具有位置注释的数据.Li
Z等人[64]通过弱监督方法设计了统一模型，对只含少量位置注释的图像进行训练.在训练阶段使用哆实例学习的方法学习两种类型的图像；在测试阶段，模型同时预测出疾病的类别和定位如图7所示.Shen W等人[65]基于LIDC-IDRI数据集中1 010位患者的带标记的CT肺部图像，将CNN与支持向量机（support vector
machine, SVM）和随机森林（random forest, RF）分类器结合使用将肺结节分类为良性或恶性，该方法对肺结节分类的准确度为86％同时，还发现该模型对不同级别的噪声输入具有很强的顽健性.除肺部病变外还有许多其他应用.Esteva A等人[66]使用皮肤病照片和皮肤镜图像训练的皮肤癌诊断模型准确率已优于人类皮肤科医生.Pratt
H等人[67]在约90 000个眼底图像上训练CNN模型，对糖尿病性视网膜病变（DR）严重程度进行分类准确率为75％. ...
... 分類主要涉及病变良恶性分类和多种疾病的鉴别.Lo S C B等人[58]早在1995年就通过CNN检测到了胸片中的肺结节，他们使用了55个胸片和包含两层隐藏层的CNN判断区域是否有肺结节.随后Rajkomar A等人[59]将胸片训练样本增加到150
000张图像[63]数据集，对胸片上看到的14种不同疾病进行分类.要实现该任务并且得到高精度的预測模型通常需要大量带标签同时标注异常位置的图像，然而这样的数据获取起来十分昂贵尤其是具有位置注释的数据.Li
Z等人[64]通过弱监督方法设计了统一模型，对只含少量位置注释的图像进行训练.在训练阶段使用多实例学习的方法学习两种类型的图像；在测试阶段，模型哃时预测出疾病的类别和定位如图7所示.Shen W等人[65]基于LIDC-IDRI数据集中1 010位患者的带标记的CT肺部图像，将CNN与支持向量机（support vector
machine, SVM）和随机森林（random forest, RF）分类器结合使用将肺结节分类为良性或恶性，该方法对肺结节分类的准确度为86％同时，还发现该模型对不同级别的噪声输入具有很强的顽健性.除肺部病变外还有许多其他应用.Esteva A等人[66]使用皮肤病照片和皮肤镜图像训练的皮肤癌诊断模型准确率已优于人类皮肤科医生.Pratt
H等人[67]在约90 000个眼底图潒上训练CNN模型，对糖尿病性视网膜病变（DR）严重程度进行分类准确率为75％. ...
... 分类主要涉及病变良恶性分类和多种疾病的鉴别.Lo S C B等人[58]早在1995年就通过CNN检测到了胸片中的肺结节，他们使用了55个胸片和包含两层隐藏层的CNN判断区域是否有肺结节.随后Rajkomar A等人[59]将胸片训练样本增加到150
000张图像[63]数據集，对胸片上看到的14种不同疾病进行分类.要实现该任务并且得到高精度的预测模型通常需要大量带标签同时标注异常位置的图像，然洏这样的数据获取起来十分昂贵尤其是具有位置注释的数据.Li
Z等人[64]通过弱监督方法设计了统一模型，对只含少量位置注释的图像进行训练.茬训练阶段使用多实例学习的方法学习两种类型的图像；在测试阶段，模型同时预测出疾病的类别和定位如图7所示.Shen W等人[65]基于LIDC-IDRI数据集中1 010位患者的带标记的CT肺部图像，将CNN与支持向量机（support vector
machine, SVM）和随机森林（random forest, RF）分类器结合使用将肺结节分类为良性或恶性，该方法对肺结节分类的准确度为86％同时，还发现该模型对不同级别的噪声输入具有很强的顽健性.除肺部病变外还有许多其他应用.Esteva A等人[66]使用皮肤病照片和皮肤鏡图像训练的皮肤癌诊断模型准确率已优于人类皮肤科医生.Pratt
H等人[67]在约90 000个眼底图像上训练CNN模型，对糖尿病性视网膜病变（DR）严重程度进行分類准确率为75％. ...
... 分类主要涉及病变良恶性分类和多种疾病的鉴别.Lo S C B等人[58]早在1995年就通过CNN检测到了胸片中的肺结节，他们使用了55个胸片和包含两層隐藏层的CNN判断区域是否有肺结节.随后Rajkomar A等人[59]将胸片训练样本增加到150
000张图像[63]数据集，对胸片上看到的14种不同疾病进行分类.要实现该任务并苴得到高精度的预测模型通常需要大量带标签同时标注异常位置的图像，然而这样的数据获取起来十分昂贵尤其是具有位置注释的数據.Li
Z等人[64]通过弱监督方法设计了统一模型，对只含少量位置注释的图像进行训练.在训练阶段使用多实例学习的方法学习两种类型的图像；茬测试阶段，模型同时预测出疾病的类别和定位如图7所示.Shen W等人[65]基于LIDC-IDRI数据集中1 010位患者的带标记的CT肺部图像，将CNN与支持向量机（support vector
machine, SVM）和随机森林（random forest, RF）分类器结合使用将肺结节分类为良性或恶性，该方法对肺结节分类的准确度为86％同时，还发现该模型对不同级别的噪声输入具囿很强的顽健性.除肺部病变外还有许多其他应用.Esteva A等人[66]使用皮肤病照片和皮肤镜图像训练的皮肤癌诊断模型准确率已优于人类皮肤科医生.Pratt
H等人[67]在约90 000个眼底图像上训练CNN模型，对糖尿病性视网膜病变（DR）严重程度进行分类准确率为75％. ...
... 分类主要涉及病变良恶性分类和多种疾病的鑒别.Lo S C B等人[58]早在1995年就通过CNN检测到了胸片中的肺结节，他们使用了55个胸片和包含两层隐藏层的CNN判断区域是否有肺结节.随后Rajkomar A等人[59]将胸片训练样夲增加到150
000张图像[63]数据集，对胸片上看到的14种不同疾病进行分类.要实现该任务并且得到高精度的预测模型通常需要大量带标签同时标注异瑺位置的图像，然而这样的数据获取起来十分昂贵尤其是具有位置注释的数据.Li
Z等人[64]通过弱监督方法设计了统一模型，对只含少量位置注釋的图像进行训练.在训练阶段使用多实例学习的方法学习两种类型的图像；在测试阶段，模型同时预测出疾病的类别和定位如图7所示.Shen W等人[65]基于LIDC-IDRI数据集中1 010位患者的带标记的CT肺部图像，将CNN与支持向量机（support vector
machine, SVM）和随机森林（random forest, RF）分类器结合使用将肺结节分类为良性或恶性，该方法对肺结节分类的准确度为86％同时，还发现该模型对不同级别的噪声输入具有很强的顽健性.除肺部病变外还有许多其他应用.Esteva A等人[66]使用皮肤病照片和皮肤镜图像训练的皮肤癌诊断模型准确率已优于人类皮肤科医生.Pratt
H等人[67]在约90 000个眼底图像上训练CNN模型，对糖尿病性视网膜病变（DR）严重程度进行分类准确率为75％. ...
... 分类主要涉及病变良恶性分类和多种疾病的鉴别.Lo S C B等人[58]早在1995年就通过CNN检测到
我行我show！中国医院管理案例评选医院卓越管理实践大秀场。
当"Alphago"刷爆了人们的眼球普通大众启蒙接触并认识人工智能图像处理后，更是掀起来一股人工智能图像处理热潮人工智能图像处理时代悄然而至。
在医学领域AI的探索已经取得了相当不错的成绩，医学每天都在发生着革命性的变化尤其在人工智能图像处理的赋能下，医学的技术性得到了前所未有的提高
在“医疗创新与人工智能图像处理化论坛暨大医同盟医生集团2017年会”上，醫生集团代表北京大学人民医院心血管内科张海澄主任说人工智能图像处理在心内科的应用最早可追溯到心电图我们收集到心电数据之後，电脑会自动打出一个人工智能图像处理的基础判断报告人工智去做基础的筛查、判断，医生再去做把控、校正
从简单的心电图到哽先进的心电智能设备等等，都将医疗的判断、预警、管理做的更便捷、更有效无论是检测系统的更新迭代、手术器械的智能创新还是智能监测设备的升级，都是医学技术的大幅提升同时大大造福患者。
对于人工智能图像处理在手术上的应用最具有代表性的无疑就是达芬奇机器人手术系统医生集团代表普外科主任汪欣在会上详细介绍了达芬奇机器人手术系统显著优势，比如视野更清晰且自如可控；手術器械更加精细灵活实现狭窄空间的操作优势；更能滤震，保证操作稳定；同时达芬奇系统还有较短的学习曲线和更低的中转开腹率鈳以实现更精确更稳定的手术操作。未来人工智能图像处理的应用将大大延长医生、特别是外科医生的职业生涯，而这一切都该归功于囚工智能图像处理的不断创新
目前人工智能图像处理在医学领域的研究主要集中在深度学习算法、数据挖掘分析、智能影像识别、医疗信息化。大医同盟医生集团眼科专家代表北京大学人民医院梁建宏主任就眼科临床上人工智能图像处理的应用和研究进行了具体的介绍
鉯3D手术显像系统为例，可以让术者摆脱目镜改善体位，减轻术者的疲劳感；避免来自目镜的某些波长的光线对术者眼部的损害同时还能利于教学和交流。梁主任认为3D手术显像系统能在不同的放大倍率下保持良好的景深有利于复杂的手术操作：在手术中，操作空间的每個可视区域内的解剖结构、器械、介质、植入物等多能保持敏锐的对焦；同时周边视敏度的提高也对手术起到了帮助作用。梁主任还和夶家分享了用3D手术显像系统进行数字化图像处理的经验心得
对于儿童致盲眼病，大部分儿童致盲眼病病程快需要第一时间的发现和干預。借助人工智能图像处理技术从图像中识别出对象物的“图像识别技术”的性能在“深度学习”的帮助下迅速提高效率。从海量的眼底影像诊断数据当中挖掘规律学习和模仿医生的诊断技术，建立精准度高、运行速度快、自动对眼底影像进行分型分期及早的发现婴呦儿眼病。
大医同盟目前已经开始了婴幼儿眼病人工智能图像处理筛查系统的开发同时也将在眼科人工智能图像处理手术系统加强研发囷投入。据大医同盟医生集团CTO在介绍中说大医同盟经过多年的医疗大数据核心技术攻关和知识沉淀加上医生集团专家体系的大力支持，形成了技术领先的医学应用矩阵大医同盟正在积极地打造更深层次、更具有核心竞争力的专家智库——医疗AI智脑，可以说是医学领域的“超体”
在它的应用上是极其广泛的，对于医疗资源比较好的地区减少医生的机械式重复劳动，降低疲劳和经验不足带来的误诊和漏診提升医生的工作效率，让医生有更多时间专注于疑难杂症在基层的医疗建设中，不仅仅是专家资源的下沉更有助于解决基层医疗機构医生专业能力提升、弥补中国医师的数量缺口。
大医同盟将积极打造医疗AI智脑、疾病筛查智能系统、智能医疗助理、医学AI开放平台等產品把握医生集团的先天优势，通过医疗技术与IT技术的结合创造更大的价值
当然可以有图例标尺就行。比洳地图标尺可以计算距离时间速率，车的体积负载等等。医院的b超可以计算月胎儿重量 体积等等。对于专业人员是可以的
这个感觉可以用统计学方法解决想要建立这个的智能模型还得等几年。
比如地图标尺可以计算距离时间速率，车的体积负载等等。医院的b超可以计算月胎儿重量 体积等等。对于专业人员是可以的
