1、 研究报告 （2021 年 第 11 期 总第 109 期）2021 年 12 月 27 日 深度学习与医学图像分析深度学习与医学图像分析行业图谱行业图谱 资本市场与公司金融研究中心 【摘要】【摘要】行业图谱研究是本中心科技成果转化研究的一项子课题，目标定位于清晰理解前沿科技成果的技术核心、科创企业的技术竞争力及科研工作者的研究进度，从而助力科技成果转化效率的提升。行业图谱研究将以系列形式展开，选取国家战略重点科技领域的商业应用场景逐一进行，时效性较强。本报告为行业图谱的第一个系列生物医药领域：深度学习与医学图像分析行业。利用深度学习技术，分析医学图像，并且将之应用在辅助医疗诊断，已经成为最新

2、研究方向。在传统的医学图像处理技术以及机器学习算法辅助分析过程中，需要人为参与选取特征。深度学习具有多个隐层以及自主学习优良特征的能力，广泛地应用到图像处理领域。卷积神经网络作为深度学习最成功的一个模型，在医学图像处理领域产生了令人惊叹的效果。本文先简述了医学图像分析的 特点。其次，介绍了深度学习的基本原理，以及在医学图像分析中应用的技术流程和难点。然后，概述了卷积神经网络模型以及在医学图像分析中的应用，再探讨了手术导航在国内外的发展现状、未来趋势，并重点介绍了光学定位手术导航系统的国内外研究现状及领先企业现状。研究团队 课题负责人 刘碧波 课题组成员 朱雅姝、许喜远（实习生）目目 录录 一、

3、深度学习绪论.1（一）深度学习与医学图像分析.1（二）主要的医学图像分析任务.3 二、深度学习在医学图像分析中的技术发展和方法流程.4（一）经典方法.4（二）深度学习.5（三）训练深度学习模型所需要的条件及关键性技术竞争点.9（四）深度学习应用于临床试验的流程.14（五）本章小结.15 三、深度学习在手术导航系统中的应用.16（一）手术导航系统的定义.16（二）手术导航系统的组成.17（三）手术导航系统未来趋势.18（四）手术导航系统的市场情况.21（五）国际顶级医疗公司在手术导航的最新研究成果.23（六）本章小结.28 四、专业术语解析.29 参考文献.32 图表目录图表目录 图 1-1 2

4、021 年深度学习在各行业的应用.1 图 1-2 深度学习于医学成像应用最先进的成果.3 图 2-1 用于计算机辅助诊断的典型经典处理流程.5 图 2-2 卷积神经网络用于头颈部 CT 扫描中风险器官自动分割的示例.6 图 2-3 （a）一种用于人脸识别的深度神经网络；（b）单层感知机结构.7 图 2-4 卷积神经网络主要层次.9 图 2-5 开发深度学习模型时所需用到的四个关键部分.10 图 2-6 卷积神经网络训练测试过程概况.11 图 2-7 网络训练技巧.12 图 2-8 深度学习的挑战及其解决方案.14 图 2-9 深度学习于解决临床问题中的具体流程.15 图 3-1 手术导航系统的

5、组成.17 图 3-2 深度学习在胶质瘤治疗中自动分割的应用.19 图 3-3 BrainLAB在解决手术导航定位所给出的解决方案.26 图 3-4 ClaroNav 在解决手术导航定位所给出的解决方案.26 图 3-5 Medtronic在解决手术导航定位所给出的解决方案.28 图 3-6 Stryker在解决手术导航定位所给出的解决方案.28 表 3-1 解决脑位移的最新研究成果.20 表 3-2 手术导航系统的最新研究成果.22 表 3-3 BrainLAB、ClaroNav、Medtronic以及 Stryker公司简介.23 1 一、一、深度学习绪论深度学习绪论 人工智能（Artif

6、icial Intelligence，AI）是计算机科学的一个分支。该学科是对人的意识、思维的信息过程的模拟。机器学习(Machine Learning，ML)是人工智能的主要核心部分，属于人工智能的一个分支，主要是设计和分析一些让计算机可以自动“学习”的算法。深度学习(Deep Learning,DL)是机器学习领域中一个新的研究方向，学习样本数据的内在规律和表示层次，让机器能够像人一样具有分析学习能力，并可应用于搜索技术、数据挖掘、机器翻译、自然语言处理等行业（如图 1-1 所示）。图图 1-1 2021 年深度学习在各行业的应用年深度学习在各行业的应用（一）深度学习与医学图像分析（一）深