基于深度学习的医学图像识别研究综述  

作　　者：张烁[1] 张荣 张岩波[3] 

机构地区：[1]山西青年职业学院计算机与信息工程系,030024 [2]山西医科大学计算机教学部 [3]山西医科大学卫生统计教研室重大疾病风险评估山西省重点实验室

出　　处：《中国卫生统计》2020年第1期150-156,共7页Chinese Journal of Health Statistics

基　　金：山西省重点研发计划(201603D321101);国家自然科学基金(81973154)。

摘　　要：1943年McCulloch和Pitts首先提出了神经元模型(MP模型)[1]。1958年到1962年,Rosenblatt在神经元模型的基础上添加了学习功能,提出了单层感知器网络模型[2-3],并将此模型应用到实践中,但是此模型解决不了线性不可分问题。到1986年,Rumelhart等人提出了反向传播网络模型(BP模型)[4],解决了之前单层感知器网络模型不能解决的问题。在20世纪末,支持向量机(SVM)[5]被提出,SVM属于浅层机器学习模型,并取得巨大成功。直到2006年Hinton等人[6]认为具有多隐藏层的深层神经网络有很好的特征学习能力,从而引起了深度学习的热潮。深度学习(deep learning)就是通过无监督学习的方法训练每一个隐层,并将上一层训练的数据传递给下一层再训练,最后通过有监督学习的方法(如BP算法)调整训练好的整个网络[7]。目前流行的深度学习模型有卷积神经网络(CNN)[8]、循环神经网络(RNN)[9]、深信念网络(DBN)[10]、深自动编码器网络(DAN)[11]等。

关 键 词：神经元模型 反向传播网络 循环神经网络 自动编码器 单层感知器 无监督学习 有监督学习 深度学习 

分 类 号：TP391.41[自动化与计算机技术—计算机应用技术] R445[自动化与计算机技术—计算机科学与技术] TP18[医药卫生—影像医学与核医学]