深度学习在医学成像和医学自然语言处理领域的全面调查及挑战

沙特国王大学学报深度学习在医学成像和医学自然语言处理领域的全面调查：挑战和研究方向Babita Pandeya，Mr. Pandey a，Devendra Kumar Pandeyb，Brijendra Pratap Mishrac，Wasiur Rhmannaa Babasaheb Bhimrao Ambedkar（中央）大学，卫星校区，Timarmafi，Amethi，计算机科学信息技术系b印度旁遮普邦帕格瓦拉可爱专业大学生物技术和生物科学学院c印度北方邦巴赫赖奇自治州医学院阿提奇莱因福奥文章历史记录：收到2020年2021年1月8日修订2021年1月11日接受2021年1月29日在线提供保留字：深度学习医学成像医学自然语言处理A B S T R A C T健康领域数据的广泛增长增加了深度学习在健康领域的实用性。深度学习是人工神经网络的高度先进的继承者，具有强大的计算能力。由于快速数据存储和硬件并行性的可用性，它的普及在过去五年中增长。本文对部署深度学习医学成像和医学NLP的研究进行了全面的文献综述，包括任务，管道和挑战。在这项工作中，我们对部署在医学成像和医学自然语言处理领域的深度学习架构进行了广泛的调查。本文有助于确定深度学习，自然语言处理和医学成像的适当组合，以增强诊断。我们强调了在医学成像和医学自然语言处理中部署深度学习的主要挑战所有的结果都以图表的形式呈现这项调查是非常有帮助的新手在卫生信息领域的工作。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.导言50832.相关工作。...................................................................................................................................................................................................................................................... 50853.深度学习架构50854.应用程序50865.结果与讨论50865.1.对比分析50865.2.医学成像的挑战5.3.医学NLP 5090的挑战5.4.限制50946.结论5094确认5095参考文献5095*通讯作者。电子邮件地址：shukla_babita@yahoo.co.in（B.Pandey）。沙特国王大学负责同行审查1. 介绍在这个人工智能（AI）时代，深度学习（DL）技术由于其有效的解决方案、隐式特征工程能力、词嵌入集成能力而在健康领域的所有可用AI技术中占据主导地位（Ru等人，2019年，2018年），以及处理复杂和非结构化https://doi.org/10.1016/j.jksuci.2021.01.0071319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comB. Pandey，D.Kumar Pandey，B.Pratap Mishra等人沙特国王大学学报5084图1.一、MI和Medical NLP部署DL发表的论文数量比较数据与此同时，与健康相关的前所未有的大量数据的可用性，例如电子健康记录（EHR）中的数字文本，社交媒体上的临床文本，电子医疗报告中的文本和医学图像，也是DL在健康领域日益普及的重要原因从2017-2020年期间报告的文献数量中也可以观察到DL在健康领域的普及，2019年的出版百分比是2018年的4倍。然而，与医学自然语言处理（NLP）相比，医学成像（MI）的增长更高这种情况促使我们研究部署在健康领域的DL的变体目前有大量的医学图像可用。这些图像通常伴随有放射学报告，因此自然语言处理在图像分析中具有很大的潜力（Shin等人，2017年）。此外，图像注释和标记非常耗时并且需要专业知识。图像注释和标记可以通过涉及人工注释来自动化。自然语言处理在这一领域有着巨大的潜力，自然语言处理与MI之间的关系将使医学诊断更进一步。这项工作的目的是确定DL技术，MI和医学NLP之间的关系，通过文献的系统回顾本文的主要贡献是确定：MI处理管道，DL架构，NLP任务的适当组合，最后报告组合过程DL，MI，和医学NLP。这项调查是非常有帮助的新手在卫生信息领域的工作。为了找到这些问题的解决方案并获得深刻的见解，我们考虑了Scopus数据库中的211篇文章，这些文章在2017年至2020年4月用于搜索的关键词是深度学习、健康信息学、医学成像、文本挖掘、医学文本和自然语言处理。从所选论文中删除基于医学教程和医疗系统中的安全性的论文我们从研究中获得的重要观察结果包括：与医学NLP相比，关于MI中DL的出版物大约是两倍。根据训练数据的类型和组合策略，DL技术分为两类。此外，前者分为监督，无监督和半监督，后者分为集成，混合，集成，嵌入式，联合和迁移学习，如图所示。 二、MI中的大多数文献将DL用于分割、自动特征提取和分类，而在医学NLP中用于信息提取。在医学界，DL作为医学成像和NLP研究的基线越来越被接受本文其余部分的结构如下。第2节描述了MI和医学NLP中深度学习的相关工作。第3图二. 健康领域常用的深度学习方法分类。●●●●B. Pandey，D.Kumar Pandey，B.Pratap Mishra等人沙特国王大学学报5085解释了在MI和医学NLP中部署的众多DL架构。第4节讨论了各种DL应用。第5节，描述了研究者面临的挑战和局限性的结果发现和讨论。第6节最后总结了目前的工作与未来的可能性有关的DL。2. 相关工作MI和医学NLP中的深度学习（DL）是过去五年中的一个活跃研究领域，因此产生了许多其他评论文章。Kakra等人（2019）回顾了卷积网络的完整分层架构。他们强调了深度学习的障碍，如高计算成本和CPU上的高训练时间。Ravi等人（2017）研究了DL在MI，翻译生物信息学和健康信息学中的应用。他们强调了为健康数据开发有效DL模型的各种障碍，如黑盒架构、数据量小、过拟合、泛化误差、优化在大量超参数中，输入数据的小变化可能导致输出的非常大的变化。Ranschaert等人（2019）讨论了人工智能的使用及其在MI中的应用。Das等人（2020）描述了应用于组织病理学图像的计算算法。他们讨论了两种图像处理流水线：手工制作的基于特征的流水线，主要包括预处理步骤，分割，特征提取，特征选择和分类，以及学习的基于特征的流水线，包括利用DL技术提取高级抽象。Cao等人（2018）研究了各种DL技术，包括其优化方法和在MI中的应用。Tsang等人（2020）和Valliani等人（2019）研究了用于诊断退行性疾病的各种机器学习（ML）技术。Valliani等人（2019）强调了阻碍DL部署的医疗记录障碍，例如不正确和小尺寸数据，细微差别的语言，首字母缩略词，不准确的时间表示，以及孤立存在，缺乏同质性，缺乏可解释性和缺乏可解释性。Akay和Hess（2019）、Jang和Cho（2019）、Wlodarczak（2019）和Liu等人（2020）综述了放射学、病理学、药物发现、肺结节、分子穿梭、产科 和 妇 科 中 的 计 算 机 辅 助 系 统 、 AI 、 ML 和 DL 技 术 。 Diao 等 人（2018）综述了ML技术在致病变异和临床基因组学中的应用。他们观察到，ML技术提高了对致病变异的理解，ML技术的障碍可能会限制其在临床基因组学中的新兴作用。Xiao等人（2018）和Shickel等人（2018）确定了缺乏通用基准等挑战（Xiao等人，2018），缺乏数据和标签，缺乏模型可解释性和缺乏模型透明度（Shickel等人，2018年）在为EHR部署DL。Faust等人（Faust等人，2018年，2019年）研究了DL技术在生理信号分析中的应用。他们强调了部署DL的障碍，例如医疗记录的偏见和社会异质性。（Faust et al.，2019）已经将深度学习的研究方向从信息提取转向系统改进。Luo等人（2018）研究了用于内窥镜导航的多种技术和方法。 Zhou等人（2019）研究了DL在临床信息提取系统中的应用。他们报告说，迁移学习是解决数据量有限、医学文本分析和识别方面的专家知识等问题的好方法。Prosperi等人（2018）研究了在健康领域开发基于DL的模型时存在的技术和社会障碍，如有偏见的医疗记录、年龄、性别和种族等。他们将这些因素视为风险因素，而不是生物因素。Pattanaik等人（2020）提出了用于疟疾检测的深度残差神经网络（MM-ResNet）。哈菲兹等al. （Hafiz等人， 2020）开发了深度卷积神 经网 络 （CNN ） 用于 计 算 软饮 料 的 营养 信 息 。 Haryanto等 人（2017）已经应用了具有不同层数的深度学习的CNN架构Haryanto等人（2019）使用均值漂移滤波器技术增强了用于检测癌症的医学图像处理数据集。Haryanto等人（2019）使用组织病理学图像对癌症状态进行了分类，并观察到Theano与tensorflow相比更快。3. 深度学习架构本节描述了DL架构的分类，如图2所示。DL架构可以分为三类：监督、无监督和半监督。监督DL模型是递归神经网络（RNN），长短期记忆（LSTM），门控递归单元（GRU），卷积神经网络（CNN）和生成对抗网络（GAN）。无监督深度学习模型包括深度信念网络（DBN）、深度传输网络（DTN）、张量深度堆栈网络（TDSN）和自动编码器（AE）。CNN：CNN包含以分层方式排列的多个层。每一层学习图像的特定特征（Vizcarra等人，2019年）。它由卷积层、池化层、丢弃层和输出层组成。医学领域中使用的一些流行的CNN架构是：AlexNet：它由5个卷积层和3个密集层、最大池化、丢弃、数据增强、每个卷积层和全连接层后的ReLU激活、具有动量的SGD组成（Krizhevsky等人， 2017年）。它用于物体识别。VGG（视觉几何组）：它由13个卷积层（在VGG16中）、16个卷积层（在VGG19中）、3个密集层、池化和3个ReLU单元组成，非常小的感受野（Simonyan和Zisserman，2014）。它用于大规模目标识别。GoogLeNet。它由22层深度CNN和400万个参数组成。它每层包含更多的滤波器和堆叠的卷积层（Zhou等人，2016年）。它使用了批量归一化，图像失真和RMSprop。ResNet（残差神经网络）：它包含门控单元或门控递归单元，与最近在RNN中应用的成功元素非常相似。它能够训练152层NN（He等人， 2015年）。它的复杂度比VGGNet低UNet：它由三个单元组成：收缩、瓶颈和扩展。收缩段由多个收缩块构成。每个块以分层方式排列。其中，最大池化层被布置在两个卷积层之后。每个块后面是内核，其数量以2的倍数增加。它有助于学习复杂的结构。最底层在收缩层和膨胀层之间起中介作用。它由两个CNN层和上卷积层组成。它执行分割和分类，单个步骤（Nowling等人，2019年）。RNN：递归神经网络及其单向和双向变体，例如长短期记忆（LSTM）和门控递归单元（GRU），递归神经网络（递归NN），双向RNN（BiRNN）。一维RNN从过去学习以预测未来。但是，双向RNN从未来学习来修复过去。RNN在捕获长期依赖关系方面非常有效GAN：它用于使用潜在分布从原始数据生成合成训练数据（Hsieh等人，2020年）。它由两个网络组成，一个是生成器，用于从噪声中生成合成数据，另一个是识别器，用于区分真实数据和合成数据。这两个对抗网络共同提高了生成数据的质量。B. Pandey，D.Kumar Pandey，B.Pratap Mishra等人沙特国王大学学报5086AE：它们由编码器和解码器组成。AE通过将低维输入映射到输出来发现数据的有意义的表示。它们利用输入的潜在表征来重构输出。它们只学习那些重建输入所必需的数据特征。这些算法用于学习特征，这些特征随后可以与深度学习技术结合使用。DBN：它由两个网络组成，信念网络和受限玻尔兹曼机相互堆叠。信度网络是一个由随机二元单元层和加权连接组成的无环图。玻尔兹曼机是一个随机RNN，具有随机二进制单元和单元之间的无向边。它适用于大规模问题（Algarsamy和Kathavarayan，2018）。DTN：它由两层组成：特征提取层和鉴别层，特征提取层学习共享特征子空间，在共享特征子空间中源样本和目标样本的边缘分布被拉近，鉴别层通过分类器转换匹配条件分布（Zhang等人，时间复杂度为O（n）。它适用于大规模的问题。TDSN ： 它 包 含 使 用 双 线 性 映 射 组 合 的 两 个 并 行 隐 藏 表 示（Hutchinson等人，2012年）。这种安排提供了一个更好的概括相比，单一的模块架构。它推导出了推广器(s)关于学习集。与单个泛化器相比，当与多个泛化器一起使用时，它比交叉验证策略更有效Deep InfoMax（DIM）：它通过训练另一个神经网络来最大化高度灵活的卷积编码器（Hjelm，2018）的输入和输出由另一个网络获得的估计可以用于最大化编码器中的特征与输入的DIM的内存需求较少，因为它只需要编码器，而不是解码器。组合DL型号：DL模型可以以五种不同的方式组合：混合模型-在该模型中，卷积层的输出直接作为输入传递到其他DL架构，例如剩余注意力网络、递归卷积神经网络（RCNN）和初始递归剩余卷积神经网络（IRRCNN）模型（Alom等人，2019年）;集成模型-在该模型中，一个DL模型的输出作为输入被传递到另一DL模型;嵌入模型-在该模型中，降维模型和分类模型被联合优化，例如增强的联合混合CNN-BiLSTM（EJH-CNN-BiLSTM）; Entrance-在该模型中，若干基础模型的输出被组合;以及迁移学习（TL）-在该模型中，使用在一种类型的问题上训练的DL模型。同样的问题。作为TL模型使用的流行CNN模 型 是 VGG （ 例 如 VGG 16 或 VGG 19 ） ， GoogLeNet （ 例 如InceptionV 3），Inception Network（Inception-v4），残差神经网络（例如ResNet 50），AlexNet。基于联合AB的DL结合了两种类型的池化以获得最佳特征：最大池化和注意池化。4. 应用本节总结了从Scopus数据库中获得的在MI和医学NLP领域部署DL的211篇文献。表1和表2分别总结了深度学习在MI和医学NLP中的应用表1和表2是根据DL的部署按时间顺序组织的。表1和表2的最后一栏显示了研究的目的或领域5. 结果和讨论5.1. 比较分析本节介绍了从Scopus数据库中获取并在2017年至2020年4月期间发表的211篇文章的比较分析。表1和表2中给出了应用总结，包括使用的数据集、体系结构、性能测量和研究领域。在MI和医学NLP中部署的各种DL架构的比较分析如图3所示。从图3中可以看出，CNN架构由于其效率而同样适用于MI和NLP的处理。另一种是DL架构BiLSTM，它是LSTM的一种变体，也广泛用于医学NLP。GRU、Joint和Ensemble架构仅在医学NLP中部署，与MI相比，集成技术在医学NLP中使用得更多。大多数联合模型都有一个带DL的注意层或带DL的条件随机场LSTM-CNN混合架构主要部署在医学NLP中。嵌入式DL仅部署在ML中。CNN的变体，如AlexNet，VGG，Inspection，ResNet和U-Net仅部署在MI中。除了上述CNN变体GAN，DTN，DBN，DIM也没有部署在医学NLP中。TDSN是一种DL架构，没有部署在MI或医疗NLP中。但它在NLP中使用。因此，它也可以用于医学NLP图4显示了医学NLP中部署的嵌入技术的比较视图。从图4中可以看出，单词嵌入技术是其中使用率最高的技术。从图如图3和4所示，观察到DL、图像和医学NLP的最合适的组合是具有字嵌入的CNN。其他合适的架构是具有字嵌入的编码器-解码器，并且具有字嵌入的编码器可以在基于NLP的医学图像分析中表现良好。5.2. 医学成像各种类型的图像被考虑用于分析，其中CT、MRI、X射线、超声、PET、波形图像、活检、乳房X线照片和摄谱仪是流行的。图像分析管道在MI中也非常重要，因为它负责减少时间、错误、成本和复杂性。一般来说，流水线包括以下任务：特征提取，降维，八- mentation，分割，聚类或分类。许多作者已经提出了新的管道，以使MI有效和准确（Zhang等人，2018; Vizcarra等人，2019; He等人，2019年;Zhu等人，2019年; Wang等人，2019; Cheimariotis等人，2020年）。MI中的深度学习存在许多问题。我们总结了一些与深度学习相关的潜在问题。MI的图像类型、处理阶段和我们研究中遇到的挑战见图。 五、低分辨率图像和重建开销：低分辨率图像由于其容易的获取方法和小的计算成本而在健康领域中引起了研究人员的注意（Chen等人，2019），但是由于它们的噪声表示和有限的信息，它们的分类是一项具有挑战性的任务（Zhn等人， 2020年）。研究人员部署了传统的线性插值方法来从低分辨率图像生成高分辨率图像，但这些方法受到诸如边缘周围的锯齿、模糊和光晕等人为因素的影响（Siu和Hung，2012）。重建开销也很高（Umehara等人，2018; Hoppe等人， 2019年）。超分辨率卷积神经网络是用于重建的优选方法（Umehara等人， 2018年）。B. Pandey，D.Kumar Pandey，B.Pratap Mishra等人沙特国王大学学报5087表1基于DL的图像处理应用程序。作者图像;数据集技术表演目的/发现Cha等人（2017年）CTCNN没有提到确定膀胱治疗前后CT的可行性Korfiatis等人MRIResNet50加速度：94.9%癌减少了预处理计算开销，（2017年）Aghdam等人rs-fMRIDBN深度3Acc：65.56%，Sen：84%，分子生物标志物预测利用抽象的高层次特征对自闭症（2018年）zhang等人结肠镜图像基于回归Spe：32.96%;F1评分：74.76%前题：88.6%，回忆：71.6%谱系障碍新的流水线阶段：空间特征学习，对象（2018年）从视频中CNN使用ResYOLO进行检测，通过Hoseini等人，MRI; BRATS 2016DCNN没有提到高效卷积算子在结肠镜息肉有效处理脑肿瘤（2018年）格吕茨马赫数据集LIDC-IDRI数据集3D U-Net 3DDR：89.29%（供试品）;FP扫描：DL被部署用于降低候选代FP等人（2018年）ResNet1.789对未知数据表现出良好的泛化能力，肺结节Umehar等人（2018）Burdick等人（2018）Mohamed等人（2018）胸部CT SRCNN未提及从低分辨率皮肤病变构建高分辨率图像TL：CNN未提及扩大分割边界以分类皮肤病变乳腺X线摄影CNN未提及减少内外侧斜颅尾侧的变异性评估基于BI-RADS的乳腺数据集时的视图解释Mutasa等人（2018）骨龄X光片Hybrid：residualconnections&inception CNN加速度：0.64通过自定义CNN模型Brown等人（2018）视网膜照片DCNN AUROC：0.94Sen：93%Spe：94%自动化方法分析RP确实降低了人类解释Fernandes等人（2018）嵌入式DL模型：深度自动编码器AUC = 0.6875使用损失函数联合优化降维Lee Kim，（2018）X线图像DL工具Caffe，平均AD：18.9个月CCC：0.78.减少骨龄估计过程中的时间和成本开销Wang等人（2018）MammogramImageNet数据集DCNN AUC：0.813用于乳腺病变检测的混合DL模型SVM的增强Brown，，etal.（2018）Heidari等人（2018）Tóth等人，（2018）视网膜图像U-NetGoogLeNet未提及处理采集图像质量变化乳腺摄影CNN未提及部署基于局部保留投影的特征再生方法来预测短期乳腺癌风险。CT CNN Acc：93.4%解决有争议的标签Choi Kim，（2018）生理视频信号LSTM Acc：74%-78%分类情感无显式特征提取Kim等人（2019）NIH胸部X射线14数据库DCNN Acc：98Hassan等人（2019）实时手术视频混合CNN编码器网络像素访问：97%远程管理系统Aghdam等人（2019）功能性MRI;（ABIDE I II数据集;TL Accc：0.7规格：0.73减少自闭症谱系障碍诊断的时间开销Kaplan Zhu，（2019）PET图像估计器n -对抗神经网络未提及降低PET图像估计成本Alkadi等人（2019）T2 MRI;I2CVB数据集深度卷积编码解码器AUC：0.995，Acc：0.894，Recall：0.928一种新的3D滑动窗口方法，以保留2D域的复杂性，同时利用3D信息检测前列腺癌Kuzmak等人（2019）DR监测;眼底照片;用于糖尿病视网膜病变（DR）检测的Ha等人（2019）乳腺MRI肿瘤数据集CNN访问率：87%-88%Sen：84%-70%。Spe：90% 98%。开始化疗Alnujaim Kim，（2019）频谱图GAN未提及增强人体运动微多普勒数据Vizcarra等人（2019）乳腺癌组织学; BACH数据集CNN Acc：92%通过融合浅层和深层学习器来开发新的分类管道，用于诊断乳腺癌Choudharyet等人（2019）TriNet-P未提及用于染色标准化的Abdelhafiz等人（2019）乳腺X线摄影（MG）图像混合：残差- UNet用于质量分割分类的乳腺MGHosseini Guo，（2019）EEG信号图像; DCNN Acc：91.78%Sen：92.84%Spe：90.73%第一项通过DLHe等人2019年，《pathwayfigures in thePubMed生物医学B. Pandey，D.Kumar Pandey，B.Pratap Mishra等人沙特国王大学学报5088未提及未提及开发了新的路径策展管道（接下页）B. Pandey，D.Kumar Pandey，B.Pratap Mishra等人沙特国王大学学报表1（续）5089作者图像;数据集技术表演目的/发现Luckett等人（2019）Eslami Saeed，EEG信号fMRI非线性相空间分析，深度CNN混合DLRMSE：14.1分钟调整后的R平方：0.95占比：80%采用时延嵌入相空间重构方法提取头皮sEEG特征一种新的混合DL模型：Auto-ASD-Network（2019年）Hoppe等人MRF数据通过SMOTERNN没有提到缩短了重建时间（2019年）Pezeshk等人胸部CT;LIDC数据集。集成FCNN森：91%通过以下方式减少处理时间：（2019年）Gupta等人（2019）Taylor等视网膜图像CNNi-ROPi-ROP未提及未提及用于检测肺结节获得早产儿视网膜病变（ROP）血管严重程度评分回归获得定量ROP严重程度评分（2019年）Zhou等人胸部X射线8TLAUC：0.87鉴别心脏肥大（2019年）Zhang等人脚步VGG16加速度：82-89%第一项将DL用于亨廷顿病诊断的研究;（2019年）Alom等人组织病理IRRCNN模型性能优越一种新的混合DL模型用于乳腺癌（2019年）Mojab等人图像;BreakHis和乳腺癌（BC）数据集眼底图像Inception- v4、ResNet、RCNN的混合体。InterGD没有提到新型号InterGD-交易可解释性不充分标签（2019年）Wang等人皮肤科影像TL：没有提到问题解决组合一组特定图像（2019年）Yoon等人ECG信号;InceptionResNetV2架构CNNAUROC：0.93; F1评分：0.80;第一项部署DL以自动进行ECG噪声筛选的研究（2019年）Xie等人（2019年）生理信号混合：FCN-U-Netsen：0.88; spe：0.89; PPV：0.74; NPV：0.96改进的结果首次研究部署DL来检测人类心理序列工作负载引入新损失函数Dai等人，（2019）皮肤癌图像CNN节省带宽解决延迟和隐私问题Tuncer等人（2019）Chien等人（2019）Guo等人（2019年）脉冲过渡时间（PTT）信号360-度热视频和足部RGB图像宫颈图像AlexNet VGG-16 CNNRetinaNet;TL（VGG，满意的结果成功检测加速度：94%消除参数检测的繁琐步骤热成像技术在足底筋膜炎诊断中的应用解决基于智能手机的低质量图像Inception）宫颈癌Shrivastava等人（2019年）Zhu等人（2019年）组织病理学图像全载玻片成像ResNet50堆叠访问：90%更高的精度广泛的可用综合征病理使得乳糜泻分类任务在时间和专家开发新的管道：特征提取，尺寸Ravichandran心脏CTCA扫描卷积自动编码器U-Net模型（3D分段DSC：0.81约简，分类，减少了时间成本和错误开发自动化CTCA分割的方法等人（2019年）（Inception u-net）Nguyen等人（2019）Malmsten等人心脏主动脉CT数据集;TLM图像U-NetStochasticCNNCVDS：性能提高4%提高2%累积：93%（人）100%基于新损失函数自动化细胞阶段预测，以减少时间和专家（2019年）Giordano等视频胶囊CNN（老鼠）准确诊断偏倚自动化病变识别以缩短时间（2019年）Nowling等人内窥镜检查（VCE）图像MRIU-NetAUC：97.7%一步完成分割和分类。（2019年）Tan等人（2019年）结肠CTCNN曲线下面积：0.93使用纹理指示符Wang等人（2019）Chen等人超声图像ECGU-Net集成CNN&没有提到有希望的结果提出了一种基于距离的损失，以减少噪声和增强定位地图首次研究使用DL（2019年）LSTMFedorov等人（2019年）ADNI数据库昏暗没有提到第一项使用DIM预测阿尔茨海默氏Bruzelius等人，卫星图像TensorBoxPPV：86.47% Sen：79.49%卫星图像中的目标检测在卫生服务（2019年）Wang等人，CT深叠加稀疏更高的精度使用深度上下文特征;降低模型复杂性（2019年）Nam等人，EMG：波形图像自动编码器Inception v4准确率：93.8%，准确率：99.5%，召回率：TensorFlow-Slim Python用于图像识别（2019年）苏甘亚&超声CNN百分之九十点八接受率：100%接受率：98%将基于相关性的特征选择部署到分类B. Pandey，D.Kumar Pandey，B.Pratap Mishra等人沙特国王大学学报表1（续）5090拉贾拉姆，肝硬化（2019年）Zhang等人，乳腺MRIDL：不提最佳DC乳腺节段性肿瘤（2019年）Espanha等人脑图像DL：不提没有提到扩展XNAT用于脑肿瘤分割（2019年）B. Pandey，D.Kumar Pandey，B.Pratap Mishra等人沙特国王大学学报表1（续）5091卷积（接下页）作者图像;数据集技术表演目的/发现Shahin等人血涂片图像TL：CNN加速度：96%分类小的有限数据集（2019年）Yu等人（2019年）眼科图像Mask R-CNN没有提到眼科摄影Crosby等人胸部X线片框架CNNAUC：0.97 ± 0.005对含有压印标签的胸片进行（2019年）Liu等人（2019年）四维曲率图像编码解码器中位DC：0.8，低0.89开发了一种新的模型SegNet，它可以提前工作计算机CT图像CNN模型对于高分辨率管道：数据规范化，数据转换，Kudva等人宫颈图像中文（简体）准确率：91.46%。外推数据扩充宫颈癌的（2019年）Gonçalves等人EyePACS数据集16网inception-V3访问：89%解决延迟问题，精确性分散在（2019年）吴达泽坦数码x光片CNN–糖尿病视网膜病变一种新的预测乳腺癌的DL模型（2019年）关勒夫，图像乳房造影术图像集成：GAN-TL准确度：98.85%通过加强培训（2019年）Kim等人（2019年）眼底图像;（VGG-16）集成：FCN-U-JI：0.94，Sen：0.98，Spe：0.99图像青光眼的诊断自动视盘分割Tachibana等人，（2019年）MESSIDOR数据集CT结肠成像净混合GAN -3D&加速度：0.99。没有提到新的电子清洁方法，以减少时间和假象Khened等人（2019）脑磁共振内核CNN访问：90%分子标记安德烈阿尔奇克数据集体模图像手工制作的深没有提到一种新的特征标准化方法等人（2019年）Arefan等人乳房X线照片;特征3通道CNN没有提到健康数据乳腺肿瘤（2019年）Moriyama等人口述影像MapReduce-DL加速度：91.7%解决了小RIO特征提取的困难&（2019年）模型异质牙Lüneburg等人（2019）Azehoun-Pazou等人（2019年）Dutta等人，Drivelineexit网站图片。黑象线CT脊柱数据集U-NetDL：未提及集成：DSC：0.95没有提到前：97%，Sen：96%F1（骰子）：开发健康监测系统，从包含较少信息的图像中识别伤口感染Android移动应用程序用于前列腺肥大监测同时优化DL模型的7个超参数，（2019年）（Spineweb存储库）条件GAN-百分之九十六脊椎骨图像分割Uemura等人放射组学U-Net条件GAN没有提到开发了基于4D曲率预测的新模型（2019年）Gupta等人图像肝脏CT; CCTA数据集TLAUOC：灰度：0.78&生物标志通过格式化小的（2020年）Ranjbar等人脑肿瘤MRICNN颜色：APV为0.88;灰度：0.93颜色：MPV为0.91访问：99%使用聚合（APV）镶嵌（MPV）方法解决MRI注释不规范（2020年）Wang等人ECG综合：CNN-占比：87.69%通过部署DL进行混合CNN-BRNN模型，其中BRNN融合了特征（2019年）Jeyaraj Nadar，ECG双向回归神经网络深度CNN准确率：96.3%，敏感率：93.5%，前处理率：构建更深层次的功能解决基于IoT的 ECG模式中部署DL的问题（2019年）Cho等人（2019年）视频帧图像CNN百分之九十七点五加速度：96.7%检测首次研究将CNN应用于Horn-Schunk算法图像Karim等人信号图像深稀疏没有提到用于识别盲肠提出一种新的混合能量谱密度-深度稀疏（2019年）autoencoders心律失常诊断的自动编码器模型Albertman等人CT扫描;CSI 2004全U网DS：96.4 ± 0.8%，不含更少的计算时间集成的基于区域的水平集深度学习框架（2020年）Chen等人无线信号DTN骨折病例的骨折访问：98%脊椎骨分割;处理图像中的低对比度噪声人体运动分类;无源无线电传感（2020年）Bargshady等人面部图像;UNBC-混合CNN-BiLSTM;良好的精度医疗技术用于疼痛强度（2020年）麦克马斯特肩关节Kim等人（2020年）疼痛档案数据库脊柱CT;分级U-NetDC：90.4%，Pre：96.81%，F1评分：基于Web的深度学习诊断脊柱疼痛Hsieh等数据格式文件头颈部CTGAN91.64%降低假阳性率生成合成图像（2020年）Sharma&图像组织病理TL型号（VGG16，Accc：Patch基于患者：91多分类;乳腺癌梅赫拉（2020年）图像;BreakHis数据集VGG19，以及ResNet50），百分之九十四B. Pandey，D.Kumar Pandey，B.Pratap Mishra等人沙特国王大学学报表1（续）5092作者图像;数据集技术表演目的/发现谢马里奥蒂斯例如，（2020年）潘加尼班，IVOCT图形图像AlexNetInception V3模型认证：培训：100%验证：86%准确率：96.8%。新的处理流水线：将图像转换为二进制代码，检测，分割，变换，标记分类自动检测AF的新算法排除预处理等人（2020年）潘加尼班Physionet.org数据库;生物传感器信号MIT-集成：LSTM-累积：99.05%损失率：4.96%峰值检测处理步骤结合无线传输DL进行采集、传输等人（2020年）BIH ECG数据库CNN&分析信号Chen等人无线信号DTN没有提到监测人体呼吸;新的方法来解开（2020年）Chen等人，–Cascade Adaboost没有提到拥塞无线电环境自动描绘乳腺钙化（2020年）接受CNN注意事项：阳性预测值：PPV;阴性预测值：净现值; precision（pre）; Dice得分系数（DSC）; Jaccard指数（JI）;多通道U-net网络CNN，迁移学习（TL），联合双向LSTM/双向LSTM（BiLSTM），剩余注意力U-Net模型（RUNet），以及递归卷积神经网络（RCNN），Dice系数（DC），均方根误差（RMSE）：全卷积网络（FCN）;交叉验证Dice得分：（CVDS）;准确度：（Acc）灵敏度：（Sen）;精度：（Pre）;检测率：（DR）;假阳性：（FP）;超分辨率CNN：（SRCNN）;特异性：（Spe）;一致性相关系数：（CCC）;绝对差：（AD）;边界模糊，外观形状不一：由于相邻区域之间的分离模糊，图像中物体形状不难以从低分辨率构建高分辨率图像：由于在低分辨率图像采集期间发生的退化，从单个低分辨率图像构建高分辨率图像是一个很大的挑战，例如：由于较大的空间采样周期而出现混叠，由于低分辨率传感器的物理尺寸而出现模糊的连续场景，由于传感器的运动而引起的模糊，该运动在图像之间变化，最后由于采集方法而产生噪声。这些问题必须在高分辨率图像中解决。缺乏足够大的标记图像数据集：一个复杂的深度学习模型需要非常大量的训练数据，这些数据都有明确的标记。大多数医学图像是未标记的，并且图像的手动注释非常耗时并且需要专业知识。研究人员提倡标准化、有组织和简洁的标签（Wang et al.， 2019），但是其遭受具有多余细节的过度标记，这是耗时的，并且因此导致阻碍临床流动。高模型复杂度，不可解释的超参数优化：深度学习架构是一种黑盒架构。解释为什么它提供了良好的结果并不容易（Ravelet al.，2017年）。深度学习模型需要非常大的数据来训练，在没有大数据的情况下，它会遇到过拟合问题，从而增加了模型的复杂性。过拟合的问题可以通过添加dropout来消除。为了开发一个成功的深度学习模型，需要优化大量的超参数，如滤波器的大小和数量、深度、学习率、激活函数、隐藏层的数量等。这是一个不断尝试的过程。这是一个漫长的过程，需要大量的培训资源和人力资源（Ravalanet al.， 2017年）。管道阶段的大变化：在MI中开发深度学习模型的一个重要原因是，图像分析中没有标准的阶段这是由于不同的区域，例如-从许多区域捕获图像（Sharma和Mehra，2020），各种类型的学习者融合在一个阶段（Vizcarra例如，2019）