【正文】 組成。卷積是一種在信號(hào)或?yàn)V波信號(hào)中尋找模式的數(shù)學(xué)運(yùn)算。深度學(xué)習(xí)模型可以被歸類為典型的（或正常的）網(wǎng)絡(luò)，其采取向量形式（一維）輸入（例如：非結(jié)構(gòu)化輸入）或卷積神經(jīng)網(wǎng)絡(luò)（CNNS），其采取二維或三維形狀輸入（即結(jié)構(gòu)化輸入）。機(jī)器學(xué)習(xí)的一個(gè)典型應(yīng)用是圖像目標(biāo)識(shí)別。深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)（也稱為深度結(jié)構(gòu)化學(xué)習(xí)、分層學(xué)習(xí)或深度機(jī)器學(xué)習(xí)）是人工神經(jīng)網(wǎng)絡(luò)算法的一個(gè)子集，它包含不止一個(gè)隱層（通常更多，因此是“深”）。為了使網(wǎng)絡(luò)產(chǎn)生正確的輸出（例如，對(duì)圖像的檢測結(jié)果進(jìn)行正確的檢測和分類），需要通過輸入訓(xùn)練集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，給每一個(gè)神經(jīng)元之間的連接一個(gè)恰當(dāng)?shù)臋?quán)重。每一個(gè)隱層由一套神經(jīng)元組成，其中的每一個(gè)神經(jīng)元都與前一層的所有神經(jīng)元相連接。該網(wǎng)絡(luò)是在生物神經(jīng)系統(tǒng)處理大量信息的方式的基礎(chǔ)上發(fā)展起來的，網(wǎng)絡(luò)中有大量高度互連的處理元件，稱為互連處理元件，稱為神經(jīng)元、結(jié)點(diǎn)或細(xì)胞。一種機(jī)器學(xué)習(xí)模式也可以同時(shí)使用有監(jiān)督反饋和無監(jiān)督方法的與增強(qiáng)反饋回路的組合。機(jī)器學(xué)習(xí)范式可以使用合成的監(jiān)督和unsupervised方法與增強(qiáng)反饋環(huán)。強(qiáng)化學(xué)習(xí)是指，在沒有明確的規(guī)則指導(dǎo)下，機(jī)器通過自身與環(huán)境的交互結(jié)果進(jìn)行自我學(xué)習(xí)和提升。機(jī)器學(xué)習(xí)任務(wù)的目標(biāo)是在數(shù)據(jù)中找到隱藏的結(jié)構(gòu)，并將數(shù)據(jù)分離成簇或組。在機(jī)器學(xué)習(xí)中，地面真理指的是假定為真的數(shù)據(jù)。算法的目標(biāo)通常是使機(jī)器學(xué)習(xí)將輸入映射到輸出的一般規(guī)則（即讓機(jī)器學(xué)會(huì)傳遞函數(shù)）。（2）機(jī)器學(xué)習(xí)策略：根據(jù)任務(wù)的不同，機(jī)器學(xué)習(xí)通常分為三大類：監(jiān)督、無監(jiān)督和強(qiáng)化學(xué)習(xí)。機(jī)器學(xué)習(xí)可以創(chuàng)建能夠進(jìn)行學(xué)習(xí)和預(yù)測的算法。最后，我們將討論機(jī)器學(xué)習(xí)在放射學(xué)和除了放射學(xué)以外的其他醫(yī)學(xué)領(lǐng)域中未來的發(fā)展方向。第二，我們將提供機(jī)器學(xué)習(xí)在診斷放射學(xué)中的應(yīng)用實(shí)例。機(jī)器學(xué)習(xí)最近的研究和發(fā)展方向是，在現(xiàn)在和未來將其用于診斷成像。機(jī)器學(xué)習(xí)的最新進(jìn)展為包括醫(yī)學(xué)影像學(xué)在內(nèi)的工業(yè)和應(yīng)用提供了希望。在本文中，作者回顧了機(jī)器學(xué)習(xí)和人工智能技術(shù)在診斷放射學(xué)中的應(yīng)用實(shí)例。 完美WORD格式 機(jī)器學(xué)習(xí)在放射學(xué)中的應(yīng)用及其未來影響Abstract：機(jī)器學(xué)習(xí)技術(shù)的最新進(jìn)展和未來前景在醫(yī)學(xué)成像中提供了有前途的應(yīng)用。機(jī)器學(xué)習(xí)具有改善放射工作流中各個(gè)步驟效果的潛力，包括訂單調(diào)度和分診、臨床決策支持系統(tǒng)、結(jié)果及其解釋、后處理和劑量估算、檢查質(zhì)量控制、放射學(xué)報(bào)告。此外，針對(duì)這些技術(shù)在放射學(xué)中的未來影響和自然延伸進(jìn)行了討論。在數(shù)據(jù)科學(xué)的創(chuàng)新中，機(jī)器學(xué)習(xí)是一類使計(jì)算機(jī)能夠像人類一樣學(xué)習(xí)和提取或分類模式的技術(shù)和研究，機(jī)器可以進(jìn)一步分析更多的數(shù)據(jù)集，并從人類可能無法做到的數(shù)據(jù)中提取特征。在這篇綜述中，首先介紹機(jī)器學(xué)習(xí)的“廣義”和“狹義”定義，然后介紹如何將機(jī)器學(xué)習(xí)應(yīng)用于成像解釋并使其得到發(fā)展。第三，我們將討論機(jī)器學(xué)習(xí)技術(shù)在臨床應(yīng)用中的主要障礙和挑戰(zhàn)。（1）機(jī)器學(xué)習(xí)的定義：機(jī)器學(xué)習(xí)是一種使電腦具備學(xué)習(xí)能力卻又不依賴于直接的編碼規(guī)則的數(shù)據(jù)科學(xué)方法。與基于規(guī)則的算法相比，機(jī)器學(xué)習(xí)利用了對(duì)大數(shù)據(jù)集和新數(shù)據(jù)集的增加的曝光，并具有根據(jù)經(jīng)驗(yàn)進(jìn)行改進(jìn)和學(xué)習(xí)的能力。在監(jiān)督學(xué)習(xí)過程中，需要將數(shù)據(jù)標(biāo)簽提供給訓(xùn)練集（在訓(xùn)練過程中有監(jiān)督），預(yù)期輸出通常先由使用者提供數(shù)據(jù)標(biāo)簽，作為算法的真實(shí)答案（類似金標(biāo)準(zhǔn)）。算法的目標(biāo)通常是學(xué)習(xí)將輸入映射到輸出的一般規(guī)則。在無監(jiān)督學(xué)習(xí)中，不給學(xué)習(xí)算法提供數(shù)據(jù)標(biāo)簽。在強(qiáng)化學(xué)習(xí)中，計(jì)算機(jī)程序在動(dòng)態(tài)環(huán)境中執(zhí)行特定任務(wù)，與此同時(shí)，計(jì)算機(jī)接受正和負(fù)強(qiáng)化（如與對(duì)手玩游戲）的反饋。監(jiān)督和unsupervised examples of學(xué)習(xí)技術(shù)是提供在圖2。有監(jiān)督和無監(jiān)督學(xué)習(xí)技術(shù)的實(shí)例如圖2所示。（）人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中的重要應(yīng)用，是一種統(tǒng)計(jì)和數(shù)學(xué)的方法。一個(gè)人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括：一個(gè)輸入層，一個(gè)或者多個(gè)“隱層”，以及一個(gè)輸出層。每個(gè)連接用加權(quán)值來量化。人工神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)可以是監(jiān)督的、部分監(jiān)督的或者完全無監(jiān)督的。換言之，深度學(xué)習(xí)算法是基于一種試圖在數(shù)據(jù)中提取更高級(jí)抽象的特征進(jìn)行學(xué)習(xí)的算法?？稍诰W(wǎng)上獲得具有深度學(xué)習(xí)的目標(biāo)識(shí)別的例子以及神經(jīng)網(wǎng)絡(luò)中的不同層次的分析細(xì)節(jié)?？紤]到圖像中相鄰像素或體素之間的結(jié)構(gòu)信息，CNNs醫(yī)學(xué)圖像分析中得到了極大的關(guān)注（成為研究熱點(diǎn)），特別是對(duì)圖像的特征提取。卷積神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入、輸出層和多個(gè)隱層構(gòu)成，這些隱層（卷積）對(duì)輸入進(jìn)行濾波從而獲得有用的信息。CNNs的主要參與者是卷積層，它由被稱為核的過濾元件組成。CNNs（圖4）是目前醫(yī)學(xué)成像中最常用的機(jī)器學(xué)習(xí)技術(shù)。遷移學(xué)習(xí)使得我們可以將已經(jīng)存在的標(biāo)注數(shù)據(jù)用于一個(gè)新的相關(guān)任務(wù)。ImageNet是一個(gè)大型圖像數(shù)據(jù)庫，庫中的圖像已經(jīng)過手工標(biāo)注圖像中的對(duì)象。非醫(yī)學(xué)圖像分析得到的