文献类型：期刊文章

作　　者：陈园琼[1,2,3,4] 邹北骥[1,3,4] 张美华[2] 廖望旻[1,3,4] 黄嘉儿[1,3,4] 朱承璋[3,4,5]

CHEN Yuanqiong;ZOU Beiji;ZHANG Meihua;LIAO Wangmin;HUANG Jiaer;ZHU Chengzhang(School of Computer Science and Engineering,Central South University,Changsha 410083,China;Software College,Jishou University,Zhangjiajie 427000,Hunan Province,China;Mobile Health Ministry of Education-China Mobile Joint Laboratory,Changsha 410083,China;Hunan Engineering Research Center of Machine Vision and Intelligent Medicine,Central South University,Changsha 410083,China;The College of Literature and Journalism,Central South University,Changsha 410083,China)

机构地区：[1]中南大学计算机学院,湖南长沙410083 [2]吉首大学软件学院,湖南张家界427000 [3]“移动医疗”教育部-中国移动联合实验室,湖南长沙410083 [4]机器视觉与智慧医疗工程技术中心,湖南长沙410083 [5]中南大学文学与新闻传播学院,湖南长沙410083

出　　处：《浙江大学学报（理学版）》

基　　金：国家自然科学基金资助项目(61702559);国家重大科技专项(2018AAA0102102);国家重点研发计划项目(2017YFC0909901)湖南省科技计划项目(2017WK2074);湖南省自然科学基金资助项目(2018JJ3686);高等学校学科创新引智计划项目(B18059);湖南省教育厅科学研究项目(19C1535).

年　　份：2021

卷　　号：48

期　　号：1

起止页码：18-29

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、IC、JST、MR、PROQUEST、RCCSE、SCOPUS、WOS、ZGKJHX、ZMATH、核心刊

摘　　要：随着医学影像数据的迅速增长,传统的影像分析方法给医生带来巨大挑战。利用计算机视觉技术提供自动或半自动辅助诊断,可大大缓解人工阅片压力,提高诊断的准确性,促进医疗流程的标准化建设等。目前,深度学习卷积神经网络在医学影像处理中已取得不俗表现,但深度学习“黑匣子”的不可解释性阻碍了智能医疗诊断的发展。为增强对医学影像数据处理的深度学习可解释性的了解,对近几年相关研究进展进行了综述。首先,综述了深度学习在医学领域的应用现状及面临的问题,对神经网络的可解释性内涵进行了讨论;然后,从现有深度学习可解释性的常见方法出发,重点讨论了医学影像处理的深度学习可解释性研究进展;最后,探讨了医学影像处理的深度学习可解释性的发展趋势。

关 键 词：深度学习  医学影像 可解释性

分 类 号：TP391.41]