医学图像分析中常用的监督类深度学习模型包括CNN、基于CNN的迁移学习和递归神经网络(recursive neural networks， RNN)，而非监督类深度学习模型包括自动编码器、受限玻尔兹曼机(restricted Boltzmann machines， RBM)和对抗神经网络(generative adversarial networks， GAN)[1]。CNN是目前医学图像分析中最常用的机器学习算法，其优点在于可保存图像的空间关系特征，而此特征对医学图像分析非常重要。例如，在组织学检查时，载玻片上癌细胞的DNA和细胞质的比例较正常细胞高。因此，若在CNN的前几层中检测到强烈的DNA特征，CNN就能预测癌细胞的存在。通过迁移学习可将已学到的模型参数通过某种方式分享给新模型，从而加快并优化模型的学习效率，不用像其他大多数网络那样从零开始学习。在医学图像分析中常常利用迁移学习将CNN在接受一个数据集训练期间学习到的权重转移到另一个CNN，然后再运用这些权重接受被标记过的医学数据集的训练。RNN常被用来分析序列数据，在医学图像分析中主要用于图像的分割。RNN与CNN的主要不同在于，RNN的某一层输出不仅会成为下一层的输入，且会反馈到该层 ......