1.1研究背景与意义

深度学习，随着科学技术的进步, 以深度学习为代表的人工智能技术被越来越多的运用在我们生活中的各个方面。自动驾驶、人机对话、人脸识别等等, 人工智能技术在很多领域都取得了非常广泛的应用。Alpha Go也是深度学习实际应用的一个典型案例。

在光学显微成像中，深度学习也有极大发展趋势，其中之一便是生物医学影像方面，该方面通过深度学习的技术在疾病诊断和治疗中成为不可或缺的组成部分，且日益重要。深度学习在计算机视觉领域的巨大成功，激发了国内外许多学者将其应用于医疗图像分析。哈佛大学医学院Wells教授在其综述中指出应用深度学习解决医学图像分析任务是本领域的发展趋势^[24]．

2016年来，已有多位专家对深度学习在医学图像分析中的研究现状及问题进行了总结、评述和讨论。最近，MedicalImageAnalysis上发表的综述对深度学习在医学图像分类、检测和分割、配准 和检索等方面的研究进行了较全面的归纳总结^[25]。目前，主要的医学图像的任务主要可以分为医学图像分类与识别、医学图像定位与检测和医学图像分割任务三大类。三者均有一定程度的突破，同时也存在很多挑战，比如，目前计算机视觉中的很多分类任务是图像级的, 而医学图像不仅仅用于图像级的疾病筛查, 而且用于像素、体素级的治疗计划制定。如肿瘤调强放射治疗计划要求对肿瘤和危及的正常组织器官进行精确检测、识别、定位, 并从CT、MRI、PET 等医学图像中高精度地分割出肿瘤放疗靶区及其周围正常组织器官。而且异常病灶区域(肿瘤) 非常复杂,其出现的位置、大小、形状个体差异很大, 因而异常病灶区检测、识别和分割比正常组织器官更具挑战性。

1.2国内外研究现状分析

2012年, Krizhevsky等^[22]将CNN模型用于ImageNet大规模视觉识别挑战赛(ImageNetlarge scale visual recognition challenge, ILSVRC)的图像分类问题, 使错误率大幅降低, 在国际上引起了对CNN模型的高度重视, 也因此推动了目标视觉检测的研究进展.深度学习技术出现以后，在图像分类任务取得了很大的成功，尤其是其对高级语义信息的model能力很大程度上解决了传统图像分割方法中语义信息缺失的问题。2013年，LeCun的学生Farabet等人使用有监督的方法训练了一个多尺度的深度卷积分类网络。

Long 等人于2014 年提出了FCN方法，这是深度学习在图像分割领域的开山之作，作者针对图像分割问题设计了一种针对任意大小的输入图像，训练端到端的全卷积网络的框架，实现逐像素分类，奠定了使用深度网络解决图像语义分割问题的基础框架。U-Net由菲兹保大学的OlafRonneberger等人在2015年提出，相较于FCN多尺度信息更加丰富，最初是用在医疗图像分割上。Girshick等^[21]提出的R-CNN(Region-based convolutional neural networks)方法, 是近年来基于深度学习的目标检测研究的重要参考方法，整个检测算法更加高效. 后来，Girshick等^[20]对R-CNN和SPP-net进行了改进, 提出能够实现特征提取、区域分类和边框回归的端到端联合训练的Fast R-CNN算法, 速度和精度上都有一定程度的提高。继续发展，Ren等^[23]提出区域建议网络(Regionproposal network, RPN), 并且把RPN和Fast R-CNN融合到一个统一的网络(称为FasterR-CNN), 共享卷积特征. 甚至到Mask R-CNN技术。

此前的诸如 AlexNet 和 VGG 这样的经典网络只能做到图像分类，而像 R-CNN 和 yolo 又仅能做到分类 定位这样层级的任务，对于更细粒度的图像分割显然不够用。因此要做到像素级别的分类任务必须对此前的网络结构进行改造创新，比如以FCN 为代表的语义分割网络的最大特点就是将经典网络的全连接层改为了卷积层，构造一个全部都是卷积层的网络结构，以及用于医学影像分割的 u-net 以及实例分割的代表作 maskR-CNN。

2. 研究的基本内容与方案

2.1设计的基本内容：

1.学习什么是深度学习，了解基本的神经网络结构并掌握其工作原理；