医学图像处理中的基于机器学习方法

医学图像处理的研究始于20世纪70年代。随着信号获取手段的提高带来的图像质量增强，以及80年代发展起来的变形模型分析技术，医学图像处理技术在20世纪80年代中期得到进一步发展。21世纪初，随着先进高端成像技术的出现开始大规模发展。目前常用的成像技术包括计算机断层扫描（CT）、核磁共振成像（MRI）、病理学切片成像、超声（ultrasound）成像、正电子放射技术（PET）成像以及X射线成像等。

美国弗吉尼亚大学的Sam Dwyer教授在1984年的SPIE（国际光学成像组织）举办的医学图像处理会议上指出，“医学图像处理的目的是利用各种医学模态技术以及模态技术之外的处理、显示、获取和管理等手段来处理于医学物理和统计学相关的图像问题。”目前，医学图像处理已发展为一口涉及医学、计算机科学、电子工程学、生物工程学、统计学和药理学等在内的多领域交叉学科。

早期医学图像处理主要涉及成像、显示、获取和软硬件系统设计等技术。而随着医疗设备的推广和发展，目前研究者更多关注更具体的医学图像处理技术，如分割、配准、增强、超分辨率、分类和重建等。加拿大Simon Fraser University描述医学图像处理如图6-5所示。其中，主要流程为从医学设备中获取特定的医学图像/数据，并且通过医学图像处理方法将与诊断相关的结果反馈给医生或对应的医疗设备。

(www.xing528.com)

图6-5　医学图像处理研究领域

在众多医学图像处理手段中，基于机器学习的方法在许多问题上（图像分割、图像配准和图像分类等）扮演着重要的角色。机器学习最初作为人工智能学科的分支出现，始于20世纪50年代；机器学习研究最初的研究目的是从人工智能研究角度出发，为了让计算机系统通过对人学习事物能力的模拟使之具有智能属性。在1997年，美国卡耐基梅隆大学计算机系Tom？Mitchell教授定义机器学习为“利用经验来改善计算机系统自身的性能”。

机器学习作为一口涉及多领域的交叉学科，已经成功的应用到各个领域，包括数据挖掘、模式识别、自然语言处理、机器视觉和信息检索等，而在医学图像处理领域中，基于机器学习的方法也越来越被人们所关注。在2010年医学图像顶级会议MICCA止，首次出现了MLMI workshop（机器学习在医学图像分析中的应用）。在医学图像处理中常见的三种机器学习技术分别是代价敏感学习、半监督学习及多视图学习。