深度学习在生物医学
图像分析中的应用
Application of deep learning in biomedical image analysis
项目背景
在过去的十年间，随着深度学习技术的飞速发展，人工智能（下简称AI）技术在科研
与工业界重新获得关注。传统的计算机视觉任务，如图像分类、目标检测、目标跟踪、图
像分割等，不断被刷新准确率的上限；自然语言处理，如机器翻译、语音识别等，性能逐
年上升；沉寂多年的一些研究方向法，如强化学习、图像生成、无监督学习等，也获得了
新生。AI创业热潮也覆盖了几乎全球的IT产业，相关产品应运而生。目前，以自动驾驶、
人脸识别、自然语言处理及语音识别、AI医疗、AI+工业等为代表的工业领域得到了长足发
展，大量AI独角兽公司争相引领产业科技最前沿。近些年来，各大科研机构与AI高科技公
司，如谷歌、Facebook、百度等，都纷纷开源了各具特色的深度学习框架，这大大降低了
行业入门门槛，使原本非常高深、晦涩难懂的算法变得容易理解和实现，这更是让深度学
习变成了一种通用的工具，不同行业的从业人员都可以很容易地借鉴其想法解决各自的问
题。
图像分割是最具有挑战性的计算机视觉任务，因为我们需要对图像中每一个像素分配一个
标签，表明该像素属于某类物体还是背景。图像分割的结果对下游任务的自动化分析具有
极其重要的意义，如对电子显微镜图像中神经元细胞的分割关系到神经系统的重建质量，
对眼底视网膜血管分割关系到相关疾病如糖尿病、青光眼等的诊断。因此，本项目重点关
注深度学习技术在生物医学图像分割方面的应用。
在深度学习领域虽然发出现了很多原创型技术，如卷
积神经网络、批归一化、全卷积网络、注意力机制等，但
深度学习本质上还是统计机器学习，深入理解并掌握深度
学习技术，首先要系统学习经典统计学习理论，如线性判
别模型、特征降维、交叉熵损失函数、梯度下降法等。此
外，基于深度学习的分割方法通过一种端到端的训练方式
实现，然而对输入图像进行有效的预处理会进一步提高模
型性能。因此，本项目将主要涵盖三个方面的内容：（1）
数字图像处理方法；（2）基础机器学习理论；（3）计算
机视觉及基础深度学习方法。
最后，本项目将以生物医学图像分割为主要应用，并
对比经典的医学图像深度网络分割方法和最新的自然场景
图像深度网络语义分割方法在上述应用中的性能，并尝试
改进上述模型，实现分割性能的提升。
专业要求：
技能要求：
一定的数学分析、概率统计、线
性代数基础，一定的编程能力
计算机、电子信息、自动化、机械、
数学、生物信息工程相关专业
：8周-16课时
总
计
：01.02—02.20
时
间
优秀学员可获得中国科学院
实地带薪实习机会