领域深度学习（domain Deep learning）方法当应用到大型训练集时最为有效，但在医学领域，并不总能获得大的数据集。因此，我们面临着一系列重大的挑战，这包括，(a) 深度神经网络可以被有效地用在医学任务上吗？(b) 从一般意象到医学领域的转移学习是否相关？(c) 我们是否可以单独依靠学习的特征，还是可以将它们与人工制作的功能结合起来完成任务？这种关于医学成像的深度学习的 IEEE 成像 ( IEEE-TMI ) 特殊问题集中在机器学习这个新时代的进展以及它在医学图像处理领域的角色。这个问题介绍了最近 CNN 和其他深度学习应用在医疗任务方面的成就。它包含来自世界各地的各种调查员的 50 份论文中挑选出来的 18 篇文章，这对于 IEEE 的特殊问题是一个非常高的数字，并且这是在从论文征集公布到提交截止日期的时长比以往要短的时间内实现的。论文集中在从检测到类别化（例如，病变检测、图像分割、形状建模、图像配准）等 这些大量传统的任务，也有一些开放的新颖的应用领域。其中还包括了一些重点在网络探索的工作，并给出了对不同的任务、参数、训练集应该如何选择架构的看法。

期刊论文和主题概述

A. 病变检测

电脑辅助检测 ( CAD/Computer-aided detection ) 是一个完善的医学图像分析领域，非常适合深度学习。在 CAD 的标准方法 [11] 中，通过监督方法或者经典的图像处理技术（比如滤波和数学形态学（mathematical morphology））检测病变。候选病变通常被分割出来，而且通常由大量的手动设计的特征来描述。分类器将特征向量与对应的候选部位是实际病变的概率做映射。使用深度学习而不是手动设计的特征的直接方法是训练在以候选病变为中心的一j2开奖像图像数据上操作的 CNN。本期的几篇文章都使用了这种方法。为了 获取 3D 胸部 CT 扫描的肺结节的候选以及提取以这些候选部位为中心的 9 个不同的方向的 2D 贴片，Setio et al. [12] 结合了先前开发的三种候选探测器。结合不同的 CNN 来对每个候选者进行分类。报告显示，与先前公布的用于相同任务的经典 CAD 的结果相比，这种方法取得了微小的进步。

Roth et al. [13] 将 CNN 用于改进 3 个现有的 CAD 系统用于检测结肠镜 CT 中结肠息肉的存在，以及利用体 CT，检测硬化脊柱转移和扩大淋巴结。他们也用了先前开发的候选检测器和 3 个正交方向的 2D 贴片，以及多达 100 个随机旋转视图。随机旋转的「2.5D」视图是一种从原始 3D 数据分解图像表示的方法。随后通过整合 在 2.5D 视图上的 CNN 的预测结果来获得额外的准确度提升。对于所有使用 CNN 的 3 个 CAD 系统，病变检测的灵敏度改善了 13 – 34%，这表明该方法是通用的可调整的。若使用非深度学习分类器 ( 例如支持向量机族 )，几乎不可能达到这种程度的改进。

Dou et al. [14] 从磁敏性加权磁共振成像扫描中检测出脑微出血。他们使用 3D CNN 并且用 CNN 替换原始的候选检测阶段，提出了两阶段方法。报告提出，在相同的数据集上重新实施、训练和测试，他们的 3D CNN 的结果与现有文献中的其他经典的方法和 2D CNN 方法相比，有了改进。

Sirinukunwattana et al. [15] 在组织病理学图像中检测和分类细胞核。他们使用一个 CNN，使用一个小块作为输入，而不仅仅是预测小块的中心像素是否是细胞核，他们对输出进行建模，每个细胞核中心会产生一个峰值而其他地方较为平坦。这种空间约束的 CNN 与在测试阶段中的重叠贴片的融合相结合，产生了比先前基于 CNN 和基于经典特征方法的先前提出的技术更好的结果。

Anthimopoulos et al. [16] 侧重于利用 2D 胸部 CT 扫描图像来探测间质性肺病的模式。他们是研究这个问题的三个组之一 ( 其他两个是 Shin et al. [17] 和 van Tulder et al. [18]）使用来自 [19] 的公开数据集。他们训练 CNN，让其能区分 32 × 32 个像素的小块属于 7 个类中的哪一个。报告显示，他们的结果达到了比以前三个使用手动设计特征的方法更高的精度。