1、目的及意义

1.1 研究目的及意义

随着X线图像在临床医学上的广泛应用，医学图像分析亟需得到有力的发展。在20世纪70年代，医生借助学习得到的知识和实践积累的经验，分析病人的X线图像所反映的解剖结构和病生理信息。但是，这种人工解读方式，往往依赖于医生个人的经验、知识和情绪，且效率较低，不确定因素较多，具有一定的主观性及误操作等等问题。随着医学图像数据爆炸式增长，医学界亟需更高效，更准确的医疗图像识别技术。另一方面，在电子信息技术的驱动下，利用计算机技术辅助医学图像分析，不但可以提高放射医师分析诊断的效率，还能提高其精度。因此，计算机辅助检测和诊断正成为一个受到越来越多人关注的交叉学科。

近年来，深度学习一直处于科研界的前沿，其在图像识别、目标检测等领域取得了很大的成功，并开始被应用到医学图像分析中。深度学习源自于人工神经网络，但是它比人工神经网络具有更多的神经元层数，因而可以抽取更高层次的图像特征。

在深度学习算法中，卷积神经网络已被证明是效果最优异的模型，它已被广泛地应用在计算机视觉任务中。这是由于它通过更深层次的网络结构自动地从原始数据中学习中高级的图像特征，这和传统特征学习方法有着很大的区别，且最近的研究结果表明，通过卷积神经网络提取的高维特征对自然图像中的物体识别与定位非常有效。由于深度学习的良好表现，世界各地的医学图像研究人员迅速地进入这一领域，用各种各样的深度学习模型对医学图进行分析，并取得了可喜的成果。

把深度学习技术和医学图像的分析相结合，对医学的发展有着重大的推动意义，特别是在临床医学中，一方面可以解放人力成本，另一方面让整个检测过程不受人为因素（疲劳度导致正确率下降）干扰，变相地提高了检测的精度，简化了检测的流程。

1.2 国内外研究现状

1.2.1 医学图像分析的难点

由于深度学习在语音识别、图像语义分割、场景识别、目标检测等领域的突出成果，这也让医学图像的科研人员看见了曙光。但目前在医学图像领域内还存在一些挑战，这体现在下面几个点：

（1）医学图像数据的维度