浅析机器视觉在医疗影像处理中的应用

浅析机器视觉在医疗影像处理中的应用

以人工智能，大数据和云计算为代表的新型电子信息产业的快速发展，极大地改善了人们的生活，促进了技术的不断进步。技术创新和智能产品以井喷的形式呈现。在人工智能风潮的影响下，现有的电子信息产业链条正逐步转变为网络信息产业智能网，电子信息产业的新增长点和边界也越来越大。

随着科学技术的飞速发展，单一目标的低精度识别已不能满足社会生产的需求，基于人工智能的图像识别技术已经成为时代的要求。识别图片的目的是将存储的信息与实际信息（当时的感官输入信息）进行比较，以实现图片识别。图像描述是使用字符表现图像中每个特征，甚至对象之间的关联。最后，获得了目标特征及其关系的抽象表达。可以在图像识别过程中使用匹配的模板。在某些特定应用中，图形识别不仅需要识别目标，还需要目标的位置和姿态以指导初始计算。

（一）深度学习在医学图像研究现状

在医学中，医生通常会对感染细胞进行人工诊断，了解患者的细胞感染情况以及病理研究，通过人眼进行判断，十分的耗费人工。当前医学中十分普及的方式就是通过仪器采集部分细胞样本，转化成图片，运用人工进行识别。这种仪器减轻了研究人员的精力消耗，促进了治疗水平的提升，但是依旧存在一些准确率低下的问题。

针对这些不足，决策树算法、Mean-Shift 聚类、FCM 聚类算法、朴素贝叶斯分类器等传统方法在早些年大放异彩，虽然在对医学影像处理的过程中存在着速度快，容易部署等特点，但总体来说传统的方法对于图像的细节辨析存在不足的现象。所以业界逐渐将深度学习引用到了医学领域的图像处理上。

目前，深度学习在医学分类学习和表征学习方面取得了显著进展，有不少研究人员

获得了不错的成果。

2013年，Plis采用DBN来识别脑成像Huntington病变。实验结果表明，深度学习能够学习重要的生理表征，在神经影像学应用中具有很大的潜力[[1]]。同年，Chakdar和Potetz[[2]]使用DBN来提取低级别麟状上皮内病变（Low Grade Squamous Intraepi