正文
近三十年的医学成像，是一种实用性及创新概念的革命，主要包括两个部分：
一是硬件发展的突飞猛进，包括MR、CT等硬件的发展，这些成像技术让我们得到了很好的影像；
二是复杂数学工具的利用，通过这些方式可以对医学影像进行重建、分析与处理，从而得到清晰可见的医学图像。
这两个部分造就了成像上的进展。
医学成像主要分为两个形态：
一是结构性图像，它主要可以得到组织的结构性特征，但无法看到生物有机代谢的情况；
二是功能性图像，它可以提示代谢的衰变与下降，或功能性的疾病。
相比结构性图像，功能性图像的空间解析度较差。
我们可以透过不一样的介质来形成图像，结构性成像包括：
X-ray，如血管摄影和电脑断层，它可以看到组织结构；
声音的方法，如超声成像；
荧光，它可以用来探讨组织和细胞的形状与结构；
磁场，如核磁共振，它可以看到脑组织和身体器官的结构；
光学，比如眼底图像，光学相干断层扫描，它可以侦探到身体的结构，帮助诊断。
功能性图像有：
光子，如用单光子电脑断层扫描，可以看到代谢状况，不过没法看到组织结构；
正子，如正子断层扫描，它加上一些医学药物的应用，可以看到代谢情况，看到肿瘤和病灶；
血氧水平，如fMRI功能性磁共振；
电流活动，下中图是脑波图的方法，透过脑波图，拓扑到脑部对应位置，可以看到活动状态下脑部电流改变的状况；
磁场，与脑波图类似，通过脑磁图的方法，用磁场侦探微弱电流，可以感应出大脑中的功能性差异。
关于人工智能，我们一直听到它将对日常生活产生重要的影响。而如今，计算机已经可以像人类一样准确地处理图像与视频，甚至比人类表现还要好。这些突破主要来自深度学习。
关于深度学习，可以理解为它是机器学习的一个分支，其主要目的是模拟更高层次抽象思维。
深度学习主要是建构大量的抽象层，帮助将一些输入的讯号映射到更高层的表现方式。例如，处理图像中，输入的特征可以是每个像素，可以计算像素的强度，它可能是一组边缘，也可能是特定的轮廓与区域。透过这些方式可以让深度学习去达到我们的目的。
深度学习主要有非监督与半监督特征学习，它会分层进行特征提取。
在医学成像中，要做到精准诊断，对疾病进行评估，需要：
一借助影像设备获取图像，由于近几年影像设备的进步，它在诊断上取得了比较好的效果。
二是解读医学图像。现在主要依靠医师完成，但有一些问题需要克服，比如主观性，医师的经验和训练不同，在看医学图像时有不同方式的解读与定义；另外医师的经验不同，对同一组资料的解读有较大的差异；而且医师会疲劳，从而导致解读的错误。
三是检测出异常。
四是将想量测的位置进行量化，比如术前术后，让医师评估手术前后的差异时，要针对图像做量化，透过前后数据的差别，协助医师判断手术是否成功。
上面提到的四个主要问题，都可以通过深度学习的方式来促进诊断，即将需要治疗的地方做明确的辨识，辅助医师做更有效地诊断，找到病灶。
深度学习在医学影像上的应用
接下来要讲解深度学习技术在医学影像上的应用。目前医学影像领域的主要处理内容有：
CAD，即计算机辅助诊断，医师可以据此评估病人的治疗情况，以及术前术后的差别等。辅助诊断也可以通过图像分析的方法，找到肿瘤和癌症病灶。
图像分割，主要是对身体的组织做明确的分割。
图像配准与图像融合，这两者可以一起讲。我们知道，图像有结构性与功能性之分，后者图像空间解析度差，可以看到组织的代谢情况，但不知道位于组织中的位置。所以需要影像配准与融合，将不同类型的图像结合在一起，一个提供清晰的结构，一个提供代谢情况，这样可以了解到组织与器官的病变。
影像导引治疗。它可以分成两类，一是影像导引手术，比如做开脑手术时，癫痫病人会不自主地出现放电异常抽动，用药物抵制可能没效果，这就要在大脑中植入电极，而这样就需要引导的方法，将电极放到正确位置上。二是放射手术治疗，即放疗，它需要对肿瘤的位置做评估，因为放射线可以杀死癌细胞，也可能杀死正常细胞，所以要引导将放疗固定在正确的位置，这也就需要医学图像的应用。
最后是医学资料库的搜寻与获取，即如何从资料库中检索出想要的数据，这些可以通过深度学习的方法处理。
我们为什么要在医学图像上使用深度学习的方法呢？因为图像有不同形态，来自不同的组织，而如前所述，深度学习可以进行分析与处理，让一些人为误差得到调整。通过深度学习提取最主要的特征，它也可以对疾病分类，做图像分类与分割。
接下来讲讲深度学习的临床应用。
上图中的案例是全自动淋巴结检测。左边是纵隔的淋巴结，右边是腹部淋巴结。可以看到，图像标定出来的位置中，其实淋巴结有很大的差异，比如形状与位置不一定，它与周围的组织也非常类似。
过去传统的图像处理，是透过电脑断层图像，取得3D的立体影像，然后做影像上的处理分析与应用。比较新的方法是増强式3D Haar特征，建立整体完整的检测器，透过scanning window检测淋巴结。
但传统方法表现不佳，主要是维度上的限制。
