基于深度学习的ct图像识别方法的研究

苏雪議(中国医学科学院阜外医院，北京100037 )摘要:随着我国社会不断向前进步,人工智能技术越来越先进，图片识别技术发展也快越来越快，其能够有效改变传统图

片处理方式，而且采用智能大数据技术,可以提高图片识别准确度。文章主要分析基于深度学习的CT图像识别方法研 究,首先简述深度学习与CT技术图像分析特点;其次，分析深度学习的几种方法，并总结分析深度信念网络模型的整体

构建步骤;然后总体讨论深度学习在医学方面的应用，主要包括图像分类、检測及分割等；最后，总结CT图像分在未来

的研究与应用及其挑战等。因此，文章结合深度学习系统对CT图像识别方法进行分析论述.，具有一定的重要意义。

关键词:深度学习；CT图像；图像识别；方法中图分类号:TP391.4 文献标识码:A 文章编号=1673-1131(2019)10-0012-02也存在一些缺点，例如不能提供高清晰的软组织。因此，软组

随着我国在影像技术方面的逐渐发展,CT也成为图像识 别领域的重要研究方向，尤其是针对于临床筛查和医学疾病

织器官和CT图像的高精度分类，检测，定位和分割是困难的。诊断方面。近几年来，深度学习技术发展越来越快,已经成为

了人工智能方面的热门话题，并逐渐将其应用于医学影像领 域。医学图像领域属于一列综合交叉学科，主要涉及到数学

建模、医学影像及一些计算机技术，其能够在大数据方面具备

更强的学习适应模型。此外，医学大数据经常涉及到不同信

息的融合，涉及范围更加分散且零碎，结构相对较为复杂。CT 图像识别研究主要利用患者影像资料，对其进行初步判断临

床结果，其可以采用对应软件进行分析，并再次进行确认。该

技术仍然需要一些技术人员进行分析，将其深度学习模型与 图片识别技术相结合，逋过对一些数据进行分析，提取不同单

元信息加以处理，能够发现内部一些结构特征信息，因此，本 文从深度学习为基础，就如何对图像识别方法进行研究，并对

其应用进行论述,并提出合理化意见。1深度学习及CT图像概述在机器学习总体研究中，深度学习只是属于研究中的一

个新的方向，其主要目的是通过构建一系列多层的学习模型,

2课度信念网络学习方法本节讨论常用的深度信念网络(DBN),主要介绍怎样利 用一系列模型训练样本数据来研究各级图像的特征信息。早

对其大量数据进行训练，提取相对学习有更用的特征信息，这

样可以对一些信息进行有效预测，提高准确度。深度学习可以

将一些内部基本特征于数据联系进行分类，通过不断训练将其

运用到无监督学习中，其可作为预训练部分。相比传统方法, 该深度学习模型具有一些优势，如,较好的分类能力。在深度

些年,Hinton第一次提出DBN,将堆叠多台受限制的Boltzm­

学习中,其模型可以分为卷积神经网络(convolutionaJneuralnet-

ann 机器(RBM)而用来获得深Boltzmann机器(DBM), RBM 是属于DBN 一个基本单位,每一个RBM包含随机隐藏单元

的隐藏层(伯努利分布)和由随机可见元素组成的可见层(伯

诺利分布或高斯分布)共同组成。RBM使用对比度梯度算法

works, CNN)、循环神经网络(RNN)、深度信念网络(deepbeliet net-works,DBN)^O DBN总共包括预训练、微调两个阶段。((contrastivedivergence, CD)来训练未标记的样本。通过组合 多个RBM,将RBM上层的特征激励用作下一层的训练数据, 从而可以有效地执行隐藏层的数据特性。DBN方注腳训

练和微调两个时期。预训练预先估计初始化权重参数，并且

DBN通过CD算法单独训练RBM网络的每一层，即,对比度

发散。在预训练之后，参数被微调。深度信念网络的最后_

层通常是BP神经网络,它可以监督分类器。深度信念网络算法在时间、速度、作用方面的效果比较明

1 豈应袖绍网绍梵水结沟團CT图像:具有精确准直的1射线束，将其用于照射人体

_定厚度部分，并且随着射线束旋转的探测器接收通过该部

显。特别是它可以充分利用大数据的优势,通过训练多层RBN 优化初始权重参数,能够大大缩短整个模型过程的训练时间。

因此可以将其方法应用于各种图像识别等领域。将深度信念

网络模型来分析和识别MNIST库中手写字体信息,使用双层

分传输的X射线,利用所接收的X探测器、射线信号数据重建 人体的总体3D图像。CT图像相对分辨率较高，可以达到亚 毫米级，能够直观看到清晰的人体骨组织解剖,还包括一些病

变图像，并可用于各种临床疾病的诊断和检査。而CT图像

DBN结构,设置100个单元,其就是每层RBM包括100迭代 次数，并且迭代时间在BP层中设置。采用sigmoid激活函数。 深度信念网络识别率整体与CNN相似，但训练时间效率提高,122019年第10期(总第202期)

信息通信INFORMATION & COMMUNICATIONS2019(Sum. No 202)目标RCS特性测量技术在雷达软件中的应用王博儒(中国西安卫星测控中心，陕西西安710000)摘要：空间技术的快速发展，使人类战场扩展到了外层空间。空间中的航空航天器的生存问题将是空间攻防中研究的重 点。根据雷达目标截面积(RCS)特性测量技术，设计了 RCS测量软件系统，采用相对标定法对目标特性RCS值进行了 模拟和检测。研究了该测量技术在雷达软件中的应用以期帮助常规雷达拓展使用范围，增强作战职能，在空间攻防中发

挥作用，更好的适应当代战场新形势。关键词:RCS ；雷达;相对标定法中图分类号:TN958

文献标识码:A 文章编号：1673-1131(2019)10-00013-02已投入使用的RCS测量雷达的很好补充，同时对现有常规雷 达的作战职能进行了拓展。0引言复杂目标的RCS (RadarCross Section),因为电磁散射的 影响，现在还不能准确计算出来，因此，隐身技术在当今复杂

1雷达目标散射截面积(RCS)雷达目标散射截面积(RCS)就是假定一个目标垂直于天 线波束方向，并在全方向对雷达信号进行均匀的反射，用它来

电磁环境下的战争中占有重要的地位。随着卫星在现代战争

中的作用日益增强,反卫星武器迅速发展，隐身技术就成了航

天器保证生存的一个可选项，为实际验证隐身航空航天器的 隐身性能，必须对隐身目标RCS特性进行实际测量。类比实际目标的功率密度，这个假定目标的面积就可以等同

实际目标的散射面积&其表达式为：国外已有多部RCS测量雷达，其测量技术已发展到相当

& = 4衣蜃 (1)成熟的阶段，测量误差可小于ldB。我国也已拥有了多部RCS 测量雷达，在各方面都取得了很多宝贵的经验,但数量仍不能 完全满足需要。文中对常规雷达加装RCS测量软件系统进行研究，是对

式中:Wz为雷达附近的功率密度。Wi为目标附近的功率 密度。R为雷达与实际目标的距离。从电磁场理论可知,功率密度W与电场强度E有如下关系:能够大大缩短无效时间。DBN构建步骤如下：步骤1：将设置第一个RBM进行训练，能够得到一定固定

学习重要的生理特征，以提高对病症病变的识别；Brosch使用

三个DBN模拟大脑形态变化，自动捕获脑形态和白质病变,

偏移量和权重，第二个RBM输入向量是隐层信息。步骤2,同

步骤1相同方法进行训练第二个RBM,将第二个堆叠到第一

从而白质病变识别使用堆叠稀疏自动编码器(SAE)来识别癌

组织病理学图像上的细胞核，以及去噪自动编码器(DA)用于 改善噪声的鲁棒性。目前，深度学习方法被广泛应用于医学

个RBM上。步骤3,将上两个步骤进行重复，能够得到多个

RBM,最终将多个RBM—起堆叠就能够得到DBN,不断重复

上述操作,就能够得到最大似然的效果，这种属于无监督过程。

图像领域的上述几个方面。4结语近年来，深度学习已经发展成为了机器学习研究方面全

新热门领域，而在图像识别方面，深度学习更是飞速发展。本

3深度信念网络技术在图像识别中的应用Brosch使用三个DBN对大脑形态变化建立模型,该模型

能够自动捕捉到脑形态和脑白质的病变情况，从而对脑白质

文简要介绍了传统的图像特征提取以及图像识别这两个方向 所釆取的方法，同时也概述基于深度学习的图像识别方法的

进行病变识别使用堆栈稀疏自动编码器(stacked sparse auto­

encoder, SAE)来识别乳腺癌组织病理学图像上的细胞核，通 过去噪自动编码器(denoising autoencoder, DA)来提高噪声的

鲁棒性。目前深度学习方法在医学图像领域的上述两方面中

技术优势。本文主要介绍了深度学习相关理论，并分析卷积 神经网络的研究现状，深层信念网络的结构特征和视觉处理

机制等。同时，从理论机制出发，对CT图像识别中的深度学 习进行了综述。结果表明，基于深度学习的CT图像识别技术 具有较髙的精度和泛化能力，可广泛应用于人脸识别,视觉导 航，机器人等领域。由此可见，随着深度学习技术的不断深入

被广泛应用。在医学图像识别中，深度学习可以广泛应用于其中，通过

训练数据集上的模型来进一步完成新数据的特定任务。传统

的医学图像识别方法:其都是釆用多特征融合方式进行训练,

其奇异值分解方式与小波变换方法，特征提取效率比较低，对

研究，理论的突破和模型的发展，未来的深度学习将在图像识 别领域得到更广泛的发展。于一些信息挖掘有所限制，整体利用识别效率低下。与传统 的医学图像识别方法相比,深度学习方式具有一些优势，能够

参考文献：广泛挖掘CT医学图像中一些潜在的非线性关系，相对特征提 取效率高。近年来，许多研究人员将深度学习应用于医学图 像识别，为进一步的临床应用研究提供了重要依据。通过对

一组样本群体进行一系列疾病特征检测和分析，主要目的是

确定样本是否患病或病情特征；并且病变识别通常针对病变

和样本本身的CT医学图像的其他部分。深度学习方法可以

[1] 刘大伟，韩玲，韩晓勇.基于深度学习的高分辨率遥感影像

分类研究[J].光学学报,2016,36(4):1-3.[2] 张野,李明超，韩帅.基于岩石图像深度学习的岩性自动识

别与分类方法[J].岩石学报,2018,34(2):333-342..[3] 林土胜，杜明辉,徐锦堂.视网膜血管形态识别方法的研究[J].中国生物医学工程学报,2002,21 (4):351-355.13