医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。随着医学技术的进步医学影像，如功能磁共振影响(functional Magnetic Functional Imaging, fMRI)和正电子成像术( positron emission tomography, PET)被广泛应用于各种疾病的诊断。
这些医学影像在临床中需要影像学专家来解析，解析过程非常耗时而且在解析工程中容易出现由于人的主观偏好造成的误差。所以从1980年开始，医生和学者开始使用计算机辅助诊断（computer-assisted diagnosis）系统来分析医学影像，以此提高分析效率和准确率。
在CAD系统中，可以用机器学习方法来提取描述数据内在结构的特征，这些特征通常在医学影像分析中扮演重要角色。已有许多基于传统机器学习方法的医学影像分析算法被提出。Zhang等人提出了自动区分正常大脑和非正常大脑MRI图像的方法。在此方法中，先用平稳小波变换（Stationary Wavelet Translate，SWT）从MRI图像中提取特征，再使用主成分分析（Principal Component Analysis，PCA）对SWT特征进行降维，最后使用广义特征值近端支持向量机（Generalized Eigenvalue Proximal Support Vector Machine，GEPSVM）和一个径向基核函数的GEPSVM进行分类。
但是医学影像数据的结构非常复杂，而且特征选取的工作通常有该领域内的专家基于领域内的专业知识人工完成。因此没有相关领域专业知识的人很难利用机器学习算法进行医学影像分析。
- 深度学习模型
由于近些年硬件计算速度的提升和大数据的兴起，深度学习被应用于包括图像分类、目标检测、自然语言处理等各个领域。其中最常用的模型包括前向传播神经网络（Feed-forward Neural Networks）、栈式自编码、（Stacked Auto-Encoder）、深度玻尔兹曼机（Deep Boltzmann Machine）、
对抗生成网络（Generative Adversarial Network）、卷积神经网络（Convolutional Neural Network）、图卷积网络（Graph Convolutional Network）和循环神经网络（Recurrent Neural Network）。
自编码器以非监督的方式学习数据的隐含表达。在自编码器中，先将输入映射到低维空间，再用低维空间的特征重构出原始数据。自编码器还有许多变种，如去噪编码器（Denoising Auto-Encoder，DAE）、稀疏自编码器（Sparse Auto-Encoder）。
由于训练深度学习模型需要大量数据，而数据不足的情况经常出现，于是GAN模型被提出。GAN中由一个生成器（Generator）和判别器（Discriminator）构成。生成器中，以随机噪声作为输入，生成的数据作为输出。在判别器中，以真实数据和合成出的数据为输入，对于真实数据以1为输出，对于由生成器生成出的数据以0为输出。GAN的损失函数由两部分构成，其中生成器的损失函数为判别器对生成出数据的错误率，判别器的损失函数为判别器对所有数据的正确率。Mirza等人提出CGAN(Conditional Generative Adversarial Network)来根据给定的标签生成数据[1]。
在全连接神经网络中，由于每层的神经元都与上一层的所有神经元连接，参数量大，容易造成过拟合。于是卷积神经网络被提出，卷积神经网络中，将2D或3D图像作为输入，用一个卷积核用滑动窗口的方式进行卷积，再通过一个非线性激活函数，得到下一层的激活值。在多层卷积层后，将卷积得到的激活值展开为一个长向量，经过全连接神经网络得到最终结果。卷积神经网络中每一层的神经元只和上一层的部分神经元连接，具有权值共享性质。随着CNN的应用，各种基于CNN的模型被提出，包括VGG，Inception[2]，ResNet[3]等。除了图像数据，利用一维卷积核，卷积神经网络还可以处理一维信号。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
