人工神經網絡由元器件和物理處理單元構成。它是用來模擬人腦生物神經網絡的結構和功能，試圖將生物神經網絡簡單化、抽象化、模擬化，從而將其應用到其他工程領域中的計算機應用技術。隨著X射線、計算機斷層掃描和核磁共振等成像模式在臨床的廣泛應用，醫學影像大數據的檢索與利用已成為當前研究熱點。醫學圖像可為臨床診斷提供重要影像學信息，臨床醫師如何從海量圖像庫中快速準確檢索到所需圖像是一項重要研究課題。
[1]閆天冉,馬曉靜,饒穎露,杜延麗,馬思樂.基於改進Mask R-CNN的建築鋼筋尺寸檢測算法[J/OL].計算機工程:1-10[2020-10-04].
[2]崔少國,熊舒羽,劉暢,陳默語.基於深度哈希卷積神經網絡的醫學圖像檢索[J].重慶理工大學學報(自然科學),2020,34(08):134-142.[3]廖榮凡,沈希忠.基於深度卷積神經網絡和局部敏感哈希的圖像檢索[J].應用技術學報,2020,20(02):165-170.[4]李智能,劉任任,梁光明.基於卷積神經網絡的醫學宮頸細胞圖像的語義分割[J].計算機應用與軟體,2019,36(11):152-156.[5]HIRASAWAT,AOYAMAK,TANIMOTOT,ISHIHARAS,SHICHIJOS,OZAWAT，etal.Application of artifificial in telligence using a convolutional neural network or detecting gastric cancer in endoscopic images[J].GastricCancer，2018，21:653-660.研究背景：隨著X射線、計算機斷層掃描（CT）和核磁振（MR）等成像模式在臨床的廣泛應用，醫學影像大數據的檢索與利用已成為當前研究熱點。醫學圖像可為臨床診斷提供重要影像學信息，臨床醫師如何從海量圖像庫中快速準確檢索到所需圖像是一項重要研究課題。基於內容的醫學圖像檢索可以獲得與給定查詢圖像相似的圖像。
數據來源：文獻[1]採用的數據集是ImageCLEF(Med)，數據根據身體器官形成不同類別，如胸腔、腦、盆、骨、膝蓋等。使用的數據集共包含20類不同器官圖像，共7157張醫學圖像，從每個類中抽取80%作為訓練集，20%作為測試集。文獻[2]採用了基於長沙市第二人民醫院的基於新柏氏液基細胞學檢測製片技術的宮頸TCT細胞塗片的CCTCT數據集。文獻[3]使用的是美國哈佛醫學院的數據集（http：//www.med.harvard.edu/AANLIB/home.html），全腦圖譜由KeithA.Johnson和J.AlexBecker創建，提供正常腦和一些常見疾病的腦部圖像。文獻[4]選取乳腺超聲圖像一萬餘張，人工標註每張圖所含有的病灶區域；隨機選取其中1/5的數據作為測試數據，其餘的作為訓練數據。文獻[5]選取日本胃腸病學和直腸病學研究所2004年4月到2016年12月13584張胃癌內鏡圖像。
數據處理方法：文獻[1]提出了一種基於深度哈希卷積神經網絡的醫學圖像檢索新方法。通過搭建深度哈希卷積神經網絡模型，採用成對柯西交叉熵損失函數，藉助遷移學習，在醫學圖像數據集上採用批量隨機梯度下降方法對模型參數進行優化，使相似圖像產生最相似的二進位哈希編碼，使不相似的圖像產生差異最大的哈希編碼，最終產生適合於醫學圖像檢索的深度哈希編碼模型。文獻[2]建立了宮頸細胞TCT塗片細胞圖像CCTCT數據集。通過利用原始多尺度融合和多尺度featuremap融合的方法，使用FractionalMax-Pooling池化操作的全卷積神經網絡，實現了對宮頸細胞核質的精確分割。文獻[3]基於拉普拉斯金字塔和卷積神經網絡的醫學圖像融合方法，針對圖像偽影的問題採用區域拉普拉斯金字塔，為保存更多的細節信息並使參數自適應，對卷積神經網絡進行改進。將源圖像分別輸入區域拉普拉斯金字塔進行分解，採用改進的卷積神經網絡生成最優權重圖指導融合過程，通過逆過程生成融合圖像。文獻[4]對現有的一萬餘張超聲圖像數據使用圖像翻轉、反轉、高斯模糊等變換方法進行數據增強，增加樣本多樣性供後續網絡模型進行訓練，提高網絡的準確率，增強網絡的泛化性，提升分類器性能；下一步將樣本數據輸入到SSD網絡，均勻地在圖片不同位置採用不同的抽樣比進行密集抽樣，最後利用卷積神經網絡提取特徵後進行分類回歸。文獻[5]基於單鏡頭多盒檢測器架構構建基於CNN的診斷系統，使用13584張胃癌內鏡圖像進行訓練。為了評估診斷的準確性，將69例連續77個胃癌病灶的患者共2296張胃圖像的獨立測試集應用於構建的CNN上。研究結論：文獻[1]結果證實所提出的方法是可靠的，可應用於醫學圖像的高效檢索，平均檢索精度可達91.9%，平均檢索時間約為0.037s，檢索精度與檢索時間均優於現有方法。文獻[2]本文算法達到94.7%的精確度，對於宮頸癌的篩選診斷具有重大的輔助意義。文獻[3]通過將金字塔與改進的卷積神經網絡結合起來，為了達到人眼視覺感知的良好效果採用了多尺度處理和自適應選擇融合方式的圖像融合技術，克服融合結果存在偽影的問題。文獻[4]研究發現SSD算法比較其他主流方法在超聲圖像病灶檢測任務中的性能更高，有利於超聲醫師更加高效地判定乳腺癌；且翻轉、反轉、高斯模糊、銳化等數據增強方法能有效提高檢測結果在此任務中的準確率。文獻[5]構建的CNN胃癌檢測系統可以在很短的時間內處理大量存儲的內鏡圖像，具有臨床相關的診斷能力。它可以很好地應用於日常臨床實踐，以減輕內窺鏡醫師的負擔。與同類相比較的優缺點：文獻[1]結合哈希法，哈希(Hash)法是解決實值特徵低效問題的一種新方法，它將圖像特徵映射為二進位編碼，但仍保留了特徵在原始空間中的分布特性。用二進位編碼表示特徵，可以大大減少特徵匹配時間和檢索所需內存成本。文獻[2]提出的基於卷積神經網絡的醫學宮頸細胞圖像的語義分割算法，為精確識別宮頸細胞病變判別奠定了基礎。文獻[3]通過卷積神經網絡提取圖像特徵，減輕了人工設計活動水平測量和權重分配對實驗結果的影響。文獻[4]]本研究提出的基於SSD的乳腺癌病灶檢測方法，相比FasterR-CNN有明顯的速度優勢，相比YOLO又有明顯的mAP優勢，從而可以獲得更加穩健的模型，適用於醫院的CAD系統，有利於減輕醫師負擔，明顯提高乳腺癌病灶的檢測正確率。文獻[5]為了開發一個基於人工智慧的胃癌診斷系統，使用了一個模擬人腦的CNN，是第一個評估CNN在內鏡圖像中檢測胃癌能力研究。閱讀參考價值：文獻[1]以深度哈希卷積網絡模型為基礎，建立了醫學圖像檢索框架，並在數據集ImageCLEF(med)上進行了實驗。文獻[2]為了驗證算法的有效性，在Ubuntul81系統下進行實驗並採用Python程式語言和Pytorch深度學習框架，最後得出其結論的優先性。文獻[3]通過將金字塔和改進的卷積神經網絡結合，提出的方法在主觀視覺和客觀評價指標上都取得了良好的融合效果。文獻[4]創新方法，將擴增後的數據集圖像作為SSD的輸入進行特徵提取，SSD的第一層使用的是VGG16特徵提取網絡提取特徵圖。文獻[5]研究中，構建的CNN在獨立測試圖像集中檢測出了92.2%的胃癌，CNN檢測到的病變包括較小的黏膜內胃癌，即使是內鏡醫師也很難檢測到。
[6]劉宇,陳勝.醫學圖像分割方法綜述[J].電子科技,2017,30(08):169-172.研究背景：對於數據的預測和分類方法，在傳統統計中，最常用到的是回歸方程，例如線性回歸、Logistic回歸等，而線性回歸方程對自變量與因變量的類型、關係和分布等要求都很高。醫學領域有很多臨床數據，一般的統計方法難以滿足研究者的需要，神經網絡的方法則可以更好地處理不同類型的數據，並發現數據間更多的關係。數據來源：文獻[6]樣本數據選自SPSS18.0軟體自帶模擬數據文件patient-los.sav，該文件包含被醫院確診為疑為心肌梗塞（即MI或「心臟病發作」）患者的治療記錄。每個個案對應一位單獨的患者，並記錄與其相關的一系列人口學變量。樣本數據共有4327例，其中包括性別、年齡、病史等多個人口學因素，利用這些人口學變量對病人的手術治療結果以及住院時間和治療費用進行預測。研究結論：文獻[6]研究結果可以看出，兩種神經網絡方法比較，可以看出多層感知器在處理連續變量上比徑向基神經網絡預測的更貼近現實，而在對分類變量進行預測時，徑向基神經網絡在ROC曲線分析中結果更優。與同類研究相比較的優缺點：文獻[6]將神經網絡方法與傳統的回歸分析進行預測效能的比較，進一步驗證神經網絡方法在醫學統計中的有效應用以及其優勢所在。閱讀參考價值：神經網絡方法在醫學統計中可以獲得有效應用，對於不同類型的數據包容性較好，可呈現更多的數據關係供研究者參考。
[7]唐思源,邢俊鳳,楊敏.基於BP神經網絡的醫學圖像分割新方法[J].計算機科學,2017,44(S1):240-243.[8]王冬燕,呂航.神經網絡方法在醫學統計預測中的應用[J].南京中醫藥大學學報(社會科學版),2017,18(01):47-52.[9]周慧,張尤賽,龔淼.基於RBF神經網絡的醫學圖像分類算法研究[J].電子設計工程,2017,25(03):113-116+120.[10]韓寶如,覃學峰,李文鋒.一種新的基於Legendre混沌神經網絡的數字水印算法[J].蘇州市職業大學學報,2015,26(04):2-6.研究背景：由於醫學圖像識別難度大、分類精確度要求高等因素的影響，使醫學圖像的診斷識別成為一個複雜的非線性問題。如何快速準確的確定醫學圖像的類別，已成為當前醫學圖像庫研究的關鍵點之一。由於神經網絡能很好將不同類別的圖像分類，近年來也被廣泛的應用於醫學圖像的分類和識別。數據來源：文獻[7]從醫影在線影像圖庫中選取400幅四種不同部位的CT圖像組成醫學圖像庫，其中，腹部、胸部、頭部和其它部位的圖像分別100幅。文獻[8]選擇大小為256*256的血細胞圖像作為實驗對象，由於血細胞圖像鄰域間的像素點比較密集，本文採用3*3的矩陣窗口採樣獲得BP神經網絡的輸入值，實驗平臺選擇Matlab2013。文獻[9]在醫學圖像上隨機提取90個像素，任意選取其中60個像素構建訓練樣本，剩餘30個像素則為測試樣本。數據處理方法：文獻[7]利用D-LBP算子提取出圖像的紋理特徵，再利用BP神經網絡對醫學圖像進行分類。首先，應用粒子群優化算法與BP神經網絡的映射關係，通過粒子群強大的搜索功能找到最佳適應函數，使對應的BP神經網絡的均方誤差達到最小值，克服了BP神經網絡產生多個局部最小值的可能；其次，確定粒子的最佳位置後，在BP神經網絡學習中獲得最合理的權值和偏置值，以提高網絡的收斂速度；最後，BP神經網絡經反覆訓練後，獲得最佳輸出值，並計算閾值，通過閾值來分割圖像區域。文獻[9]利用像素的特徵信息作為訓練樣本對RBF神經網絡進行訓練，使用訓練後的RBF神經網絡圖像的分類識別，對不同的分類結果賦予不同rgb值進行顯示。文獻[10]經過圖像預處理算法篩選、變量參數選擇、CPSO-BP神經網絡學習和處理等一系列研究來分析案例。研究結論：文獻[7]實驗結果表明，將圖像的紋理特徵和BP神經網絡相結合進行醫學圖像的分類取得了較好的效果，有效準確的對給定的醫學圖像進行分類。文獻[8]研究結果表明BP神經網絡基於改進的粒子群優化算法的實現簡單，而且能更有效且快速地收斂於最優解，與其他兩種方法相比，圖像的分割效果也得到了較大的改善，是一種很有效的方法，有比較好的應用前景。文獻[9]表明，RBF神經網絡具有良好的分類性能，能夠有效的顯示出圖像中的不同結構細節。文獻[10]將文化粒子群BP神經網絡的自組織、自學習和適應能力應用到醫學上，通過對樣本的學習，網絡進行分類和自我修正，使修復後的唇部基本上跟設計樣本沒有太大誤差，具有一定的指導意義。與同類研究相比較的優缺點：文獻[7]使用LBP算法，有效降低描述符的維數，使其適用於描述圖像的局部紋理特徵。文獻[8]利用改進的算法能夠得到更清晰的圖像分割效果，提高了圖像的分割精度，對臨床的診斷也具有重要參考意義。閱讀參考價值：文獻[7]BP神經網絡仍存在網絡不易收斂，且易陷入局部極小等缺點。所以下一步的工作還需要著手優化網絡的這些缺點，使得圖像的紋理特徵和神經網絡的結合能夠取得更加滿意的分類檢索效果。文獻[8]通過改進粒子群算法速度的方式，來提高算法的收斂效率以最大程度地避免算法陷入局部最優。文獻[9]由於方法未考慮實際圖像存在的噪聲的情況。但由於噪聲的存在，實際應用中獲取的圖像的特徵信息容易受到噪聲的幹擾，使得分類效果不盡人意。
[11]楊豔春. 基於多尺度變換的醫學圖像融合方法研究[D].蘭州交通大學,2014.[12]張寶華,劉鶴,張傳亭.基於經驗模態分解提取紋理的圖像融合算法[J].雷射技術,2014,38(04):463-468.[13]高勝利.基於文化粒子群網絡優化算法的醫學圖像研究[J].南通航運職業技術學院學報,2013,12(03):51-54.[14]郭新榀,段先華,夏加星.基於雙通道脈衝耦合神經網絡的應用研究[J].科學技術與工程,2012,12(34):9225-9233.[15]焦蓬蓬,郭依正,衛星,劉麗娟.基於LVQ神經網絡的醫學圖像識別研究[J].科學技術與工程,2012,12(18):4535-4537+4544.[16]孫君頂,李琳.基於BP神經網絡的醫學圖像分類[J].計算機系統應用,2012,21(03):160-162+212.研究背景：文獻[11]在醫學領域，醫學圖像是醫生獲取患者生理疾病信息的重要依據，細小的改變都有可能導致嚴重的後果。傳統上對患者的病理醫學數據質量要求極其嚴格，往往不允許做任何改動。醫學圖像數字水印技術(medicalimagewatermarking，MIW)，是解決這一難題的一種有效方法。把各種醫學圖像的信息有機地結合起來，完成多模式醫學圖像融合，不僅可以優勢互補，還可以發現新的有價值的信息，為醫學診斷和治療提供更加充分有效的信息依據。數據來源：文獻[11]採用Matlab自帶的醫學體數據。文獻[12]選擇兩組反映不同醫學信息的源圖像進行融合實驗，融合前已利用基於光流場的方法對源圖像進行配準。文獻[13]選取了兩幅已配準大小為256×256顱腦部位的CT及MRI圖像進行融合實驗。文獻[15]實驗數據源於江蘇大學附屬醫院影像診斷科的腹部CT圖。數據處理方法：文獻[11]將Legendre混沌神經網絡、三維離散傅立葉變換和零水印有機地結合在一起。一方面，使用一種新型的Legendre混沌神經網絡產生具有偽隨機性的混沌序列進行置亂原始水印圖像；另一方面，在醫學體數據的三維離散傅立葉變換域上構造零水印，以提高數字水印的抗攻擊能力。文獻[12]首先將多模醫學圖像經過BEMD分解成2維內蘊模函數（BIMF）和殘差項，然後分別將BIMF層和殘差項值輸入脈衝耦合神經網絡（PCNN）中，得到各自的點火映射圖，再將相同點火次數的像素提取歸類，點火次數大的對應圖像紋理，歸為紋理類，其餘歸為背景類；統計各個紋理類集合中的像素極值確定灰度分布範圍，最後將兩幅圖像中紋理類像素集合處於灰度分布範圍的像素通過PCNN進行融合，其它像素通過雙通道PCNN進行融合。文獻[13]在低頻子帶係數採用基於區域點PCN的融合規則，應PCN改進的簡化模型，將低頻子帶係數作為信號激PCN網絡，用點火區域強度分析區域點火特性，根據區域點火特性確定低頻子帶融合系。文獻[14]傳統脈衝耦合神經網絡方法(PCNN)、梯度金字塔融合方法(GP)、離散的小波變換融合方法(DWT)、平移不變的離散小波變換融合方法(SIDWT)、拉普拉斯金字塔融合方法(LP)以及文獻的融合方法後進行比較。文獻[15]是首先確定圖像ROI區域，並作灰度映射變換。接著提取其顏色、紋理和形狀特徵構成表徵醫學圖像的特徵矢量，最後將特徵歸一化後利用LVQ神經網絡進行識別。文獻[16]介紹了基於邊界、閾值、區域增長、統計學、圖論、活動輪廓、資訊理論、模糊集理論、神經網絡的醫學圖像分割方法。研究結論：文獻[11]基於混沌神經網絡將圖像的特徵提取和零水印技術有機地結合在一起，實現了對醫學圖像信息的保護，對醫療信息產業的發展具有顯著的經濟效益和社會效益。文獻[12]利用BEMD分析方法將醫學圖像分解為不同頻率子圖像，通過提取特徵建立基於複合型脈衝耦合神經網絡的融合規則，由於克服了PCNN在偏暗圖像中細節無法有效提取的問題，算法能夠從醫學圖像中提取更多的紋理信息。文獻[13]提出基於NSCT與區域點火PCNN的醫學圖像融合方法，該方法提高了融合圖像的清晰度，能夠很好的保留源圖像的邊緣及過渡區域信息，達到很好的融合效果。文獻[14]提出的方法能夠獲得到更多的圖像的有效細節信息，其邊緣輪廓也更為清晰。因此從主客觀兩個方面來看，該算法相比其他傳統方法都具有更好的圖像效果。文獻[15]提出了一種基於LVQ神經網絡的醫學圖像識別方法。通過與其它典型神經網絡識別方法的比較驗證了算法的可行性和有效性，結果表明文中的方法在計算量小的同時具有較高的識別率。文獻[16]提出不同分割方法各有優劣，同時適用的對象也各不相同，考慮到計算機性能提高速度，目前研究更傾向於那些分割性能較好的算法，採用多種分割方法相結合，進行多次處理，是圖像分割方法研究的主要趨勢。與同類研究相比較的優缺點：文獻[11]提出一種基於Legendre混沌神經網絡的三維醫學體數據數字水印算法。此方法能夠適應醫學圖像體數據特點，能抵抗很強的攻擊，具有很強的魯棒性，採用混沌神經網絡置亂具有很好的安全性。文獻[12]解決了PCNN對偏暗圖像的處理效果不理想的問題，與傳統融合算法相比，性能具有優勢，且能夠較大幅度提高融合圖像的質量。文獻[13]的方法與傳統融合方法相比，能夠較好的保留圖像的邊緣和過渡區域信息，大幅度提高融合圖像的質量。文獻[14]將多個耦合方法進行比對得出最優解。閱讀參考價值：文獻[11]將混沌神經網絡、三維離散傅立葉變換和數字水印算法相結合以優化研究方法。文獻[12]從主觀和客觀方面與其它圖像融合方法進行了實驗結果比較，證明了該方法在保留邊緣、紋理、細節信息的有效性。文獻[14]中，由於實際過程涉及到的需要作出調整的參數也比較多，並且各個參數間的關聯比較密切，所以下一步要開展的工作就是根據這些參數確定準則來自動選擇最佳的參數。文獻[15]通過與其他典型神經網絡識別方法的實驗比較，結果表明，設計的方法能取得更為理想的識別效果。
[17]王安娜,楊銘如,劉坐乾,王婷君.基於小波和SOM網絡的醫學圖像融合[J].計算機工程,2009,35(21):200-202+205.[18]陳健美,宋順林,朱玉全,宋餘慶,陳耿,程鵬,桂長青.一種基於貝葉斯和神經網絡的醫學圖像組合分類方法[J].計算機科學,2008(03):244-246.[19]秦鑑,吳正治,張靈,孟君,劉紅健,金明華,吳國珍.基於模糊CMAC神經網絡的醫學舌苔圖像檢索[J].深圳中西醫結合雜誌,2007(06):329-332.[20]鈕本兵.基於神經網絡的醫學圖象處理[J].數理醫藥學雜誌,2007(06):880-881.研究背景：醫學圖像分類是當前醫學圖像自動診斷和模式識別領域的一個新的研究熱點，其任務是從給定的醫學圖像訓練樣本中提取能反映圖像內容的特徵，並根據這些特徵進行圖像分類，實現醫學圖像中病變組織的自動識別，以保證臨床醫學診斷更客觀、準確和科學。數據來源：文獻[17]所用數據為大小512×512像素的肝臟CT二維圖像數據。在實驗中，隨機地從10000幅肝臟圖像中選出兩組訓練樣本集，第一組有400幅醫學圖像，其中正常和異常各佔200幅；第二組有2000幅醫學圖像，其中正常和異常各佔1000幅。在餘下的肝臟圖像中選取200幅醫學圖像作為分類器的測試集。文獻[18]對362幅臨床採集到的測試舌苔圖像進行了檢索實驗。文獻[20]數據處理方法：文獻[17]通過對醫學圖像分類中的一些關鍵問題分析和研究，提出一種基於貝葉斯和神經網絡的醫學圖像組合分類方法，並據此構造出醫學圖像組合分類器。文獻[18]利用CMAC網絡，實現彩色圖像直方圖的模糊相關求和，並在此過程中自動調整加權算法中特徵色的加權因子。文獻[19]將數量巨大的圖象信息進行壓縮，只傳輸或存儲壓縮後的信息，當需要提取圖象時再按一定的規則將圖象恢復。文獻[20]對圖像進行小波變換，以圖像的小波係數為特徵，採用 SOM 網絡對圖像進行聚類，並進行模糊分類，從而確定像素融合的權重，得到融合圖像。研究結論：文獻[17]對醫學圖像分類中的一些關鍵問題進行了分析和研究，提出一種基於貝葉斯和神經網絡的醫學圖像組合分類方法，並據此構造出醫學圖像組合分類器。文獻[18]實驗結果表明，採用本法檢索舌苔圖像，效率、準確性方面都較高，而且對舌苔圖像中存在的陰影、反光等噪聲，有一定的糾正作用。文獻[19]需要處理的醫學圖像如MRI 、CT 、超聲結果大都是一些黑白圖像,，應儘可能的在網絡的學習模式中包含豐富的圖象灰度樣本，使網絡通過訓練 減少誤差，掌握較高的圖象處理能力。文獻[20]研究得出半透明可視化不僅可應用於邊界曲面，也可運用於其他面繪製曲面。與同類研究相比較的優缺點：文獻[17]的組合分類器能夠充分發揮貝葉斯和神經網絡的優點，獲得較好的圖像分類結果，從而進一步提高了醫學圖像分類的準確性和穩定性。文獻[18]提出了利用模糊神經網絡，實 現了模糊相關加權算法，並克服了該算法中參數手工設定帶來的不確定性和適應性差等缺點。文獻[20]的半透明顯示方式在可視化那些梯度值從高到低變化的邊界曲面時有很好的優勢。閱讀參考價值：文獻[17]為了充分發揮各種分類器的優勢，提出了一種基於組合分類策略的醫學圖像分類器，該分類器通過某種組合技術，將多個單分類器的預測進行組合而產生一個新分類器。文獻[18]根據不同的標準圖像，自動調整參數，使檢索的準確性和快速性得到了提高。文獻[20]的半透明可視化算法不僅能夠抽取高精度的邊界曲面，而且為區分弱邊界與小碎片提供了一種可行的方法。