1.6　未来展望

基于医学图像的CAD系统研究还处于未成熟阶段，有很多内容需要我们去探索和认识。对未来医学图像CAD系统的可能发展趋势，我们展望如下：

（1）既检测又诊断的CAD系统能为医生提供更丰富的信息。CADe系统只检测病变，不诊断它们。对于医生来说临床应用程序不提供病变的图像学特征，体现的信息是不全面的。CADx系统如果只显示病变的良恶性诊断结果而不显示检测到的病变信息，则也不完善。未来的CAD系统应该是CADe系统与CADx系统的功能结合。

（2）与医院HIS系统或PACS系统相结合的临床应用。目前的研究基于实验室样本库的较多，仅有少数商用系统［132，201］的临床应用研究。临床应用是CAD系统的最终目标，结合临床应用可以检测CAD系统在对象多样性下的健壮性和实用性。

（3）半监督学习缺乏训练样本。传统分类器只使用标记数据进行训练。然而，充足的标记样本通常难以获得（如医学图像）且昂贵或耗时，因为它们需要经验丰富的注释人员的努力工作。同时，未标记的数据可能相对容易收集，但是几乎没有办法使用它们［202］。半监督学习通过使用标记的数据及大量未标记的数据以解决这个问题、构建更好的分类器［203］。由于半监督学习需要较少的人力并达到更高的准确性［204］，所以其在医学图像CAD领域的应用得以被研究［133，205-207］，对解决训练样本不足的现状非常有意义。

（4）每种算法都有其局限性，目前的单一分类器都不能完全解决所有的问题或者达到应用系统要求。多算法融合可以综合运用各种方法的优势、互补不足，如组合起来可以得到更高健壮性的系统［126］。算法融合不是算法简单的相加或捆绑。用合适的策略把不同的算法有机结合起来得到一个更高效、鲁棒CAD系统是值得关注的。

（5）在CAD系统中引入专家系统思想，使用时医生可以与系统交互。在分割、检测阶段，医生对环节的输出结果进行更准确的修改。在分类阶段对分类正确的结果给予奖励，对分类错误的结果给予惩罚。系统根据回馈结果再进行强化学习，逐步达到完美的性能。

（6）深度学习。基于视觉语义的医学图像分类一直以来都是充满挑战的研究领域，该分类所要面对的挑战不仅仅有待识别的图像种类繁多，在每一类图像的内部也存在诸多变数，包括光照变化、不匹配不对齐、形变、遮挡等因素。针对这些变数，学者们作了各种各样的努力，提出各种各样的特征来应对这些变化。如比较典型的SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）和HOG（Histogram of Oriented Gradient，方向梯度直方图）特征。虽然这些特征能够很好地应对特定情况下的数据处理任务，但是这些特征的泛化能力有限［208］。自2006年Hinton在Science上发表论文提出训练深层网络的新思路开始，深度学习在图像特征学习方面展示出了卓越的性能，也产生了不同的深度学习框架：Overfeat、ResNet、GoogLeNet、Alexnet、VGG、DeepID-Net、network in network、SPP-net等。在2015年的ImageNet图像识别大赛中，深度学习算法对图像的识别水平已经超过了人类。深层CNN从原始数据（如图像）自动获得中级和高级的抽象（特征）［209］，同时考虑上下文之间的关系［210］，能实现端到端的目标检测［211］，有效避免了由分割和手工设计特征提取模型带来的误差［212］。最近的研究表明，CNN提取的通用描述符在医学图像检测中也非常有效［94，209］。世界各地的医学图像分析小组正在快速进入该领域并取得了良好的成果［87，210，213-215］。在此架构上出现的“迁移学习”［216］和“微调”［209，217］技术一方面能提高检测准确率，另一方面也为医学图像研究领域样本不足的问题提供有效的解决方案。深度学习自动学习特征和高识别准确度的特性一定会在医学图像领域得到不凡的表现。