基于深度学习技术的图像特征提取及应用文献综述

1. 献综述（或调研报告）：

机器学习是一门有着几十年历史的学科，而神经网络模型也在很早就投入了应用，在那时起，研究人员们就设想增加神经网络模型中的隐含层数，以达到更好的学习目的，但是在2006年以前，这些尝试都失败了。而2006年的三篇论文【1-3】改变了这种状况，在这三篇论文中以下主要原理被发现：

无监督学习被用于(预)训练每一层；

在一个时间里的一个层次的无监督训练，接着之前训练的层次。在每一层学习到的表示作为下一层的输入；

用有监督训练来调整所有层(加上一个或者更多的用于产生预测的附加层)；

Hinton et al.的论文中设计了深信度网络（DBNs），它在每一层中利用用于表示的无监督学习的RBMs。Bengio et al.的论文中探讨和对比了RBMs和自动编码器Auto-Encoder。Ranzato et al.的论文中在一个卷积架构的上下文中使用稀疏自动编码器Sparse Auto-Encoder。

这标志着机器学习的一个新领域——深度学习（Deep Learning）的诞生。之后，深度学习被广泛地应用于计算机视觉，语音分析等领域，取得了一系列成果，带动了机器学习的第二次浪潮。

脑组织图像的分割是一个在医学影像处理中研究很广泛的一个领域，国内外许多研究组织都提出过很多处理方法，如Pierrick Coupeacute; et al.提出的专家优先的patch-based方法【4】，Khan et al.提出的使用监督学习和动态信息的局部多图谱融合方法【5】等等。这些方法都是使用人工标记的分割结果作为训练样本进行机器学习，然后针对目标图像做出分割结果。在这方面做得比较好的是Hao et al.提出的局部标记学习（Local Label Learning，LLL）方法【6】，他们使用L1-规范型支持向量机（SVM）和基于k最近邻分类算法（kNN）的训练采样选择策略来学习一个基于图像强度和纹理特征的分类器用来把目标图像的体素从图谱中他们的相邻体素中分离出来，得到了很好的结果。

通过这些我们可以看到，把深度学习用于识别图像特征尤其是脑组织影像的特征识别和分割是很有前景的，但实际应用中使用的还比较少，我们可以以此为出发点，对目前的脑影像的特征识别和分割进行优化。

参考文献：

【1】Hinton, G. E., Osindero, S. and Teh, Y.,A fast learning algorithm for deep belief nets.Neural Computation 18:1527-1554, 2006

【2】Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle,Greedy LayerWise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007

【3】Marcrsquo;Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2007

【4】Pierrick Coupeacute;, Joseacute; V. Manjoacute;n, Vladimir Fonov, Jens Pruessner,Montserrat Robles b, D. Louis Collins Patch-based segmentation using expert priors: Application to hippocampus and ventricle segmentation, NeuroImage 54 (2011) 940–954

【5】Ali R. Khan, Nicolas Cherbuin, Wei Wen, Kaarin J. Anstey, Perminder Sachdev, Mirza Faisal Beg Optimal weights for local multi-atlas fusion using supervised learning and dynamic information (SuperDyn): Validation on hippocampus

segmentation, NeuroImage 56 (2011) 126–139

【6】Yongfu Hao, Tianyao Wang, Xinqing Zhang, Yunyun Duan, Chunshui Yu, Tianzi Jiang, and Yong Fan, Local Label Learning (LLL) for Subcortical Structure Segmentation: Application to Hippocampus Segmentation, Human Brain Mapping 35:2674–2697 (2014)