在日常生活中，人们经常可以见到图像的影子，医学图像便是其中之一。随着近十几年来计算机技术的飞速发展，越来越多的学者致力于数字图像的研究中并将其广泛应用，因此医学图像的发展进入到了一个新的阶段。
医学图像不断地发展，是为了让人类更加了解自己，更好的为人类自身服务。从古代人类认识自己仅靠外表特征和身体表现，到如今借助各种医疗设备及医学图像来进行病情的观察。随着医疗设备的更新换代，医学图像的种类也越来越多。现在，医学图像被广泛应用于临床实验中，已经成为帮助医生进行疾病预防，诊断和治疗的重要手段，从而大大改善了医疗条件。然而，与此同时也产生了新的问题。第一点：随着人们生活水平的提高，人们对于生活质量的要求也会越高。医院每天会产生各种各样的医学图像，在医疗人员数量有限的情况下，繁重的工作任务会导致工作人员工作疲劳，效率下降，甚至也有可能导致医院的误诊率增加，造成不良的影响，因而如何快速的对医学图像进行处理就显得尤为重要。第二点：由于不同的医生存在不同的个体差异，医生们对于同一疾病的认识和治疗经验存在差异，对同一疾病的诊断结果可能各不相同。这种情形下，更加凸显了计算机技术在医学图像中的重要地位。
较早的医学图像识别基本采用的是机器学习（Machine Learning,ML)的方法，主要分为以下四个步骤：首先对图像进行预处理，这一步使用是滤波去噪等方法，第二对医学分割来得到疑似组织，人工提取特征，再结合分类器，来对病变图像进行识别。早期医学图像识别面临的问题在于，步骤繁琐，识别率低下，耗时长。但是国内外学者一直坚持对机器学习进行大量研究。自20世纪80年代来，机器学习在理论，算法等方面都取得了巨大的进步。
自2006年以来，机器学习领域中的“深度学习”课题受到学者们广泛地关注。深度学习（Deep Learning，DL）是机器学习中基于对数据进行表征学习的方法，它通过建立类似人脑的分层的模型结构，对输入数据逐级提取从底层到高层的特征，从而能够很好地建立从底层信号到高层语义的一个映射关系^[1]。 与传统的机器学习相比，深度学习能够自动提取特征并进行分类，极大地提高了正确率，克服了早期图像识别不全面的问题。近些年来，受益于更强大的计算机的产生和更广范的数据，深度学习有了更好的发展并应用于各种不同类别的图像处理中，对于医学图像识别技术应用研究中出现的问题具有重要的意义^[2]。深度学习将会给医学发展注入鲜活的生命力，推动医学发展走向一个更加光明的未来。
目前，深度学习方法已经在医学表征和分类学习上有了显著的进展，许多研究人员也取得了不错的成果，为医疗事业做出了巨大的贡献。
2013年，Plis采用DBN成像来识别Huntington病变，结果表明深度学习方法能够学习生理上的重要表征，对于神经影像学来说有着很大的潜力^[3]。Cruz-Roa把自编码神经网络用于识别医学图像中的肿瘤细胞，与传统方法相比较，此方法的精确率提高了7％^[4]。2014年，Roth通过卷积神经网络方法用于淋巴病结的识别，使得淋巴结检测结果的准确率提高了27％^[5]。Brosch用三个DBN对大脑进行建模，该模型可以自主对大脑的脑白质进行病变识别^[6]。2015年，Gao使用CNN（Convolution Neural Network，CNN) 建立了一个自动学习的模型，该模型可以识别图像中白内障的病变，将准确率提高了5.6％^[7]。2016年以来，研究人员在乳腺肿瘤，糖尿病视网膜病变等进行了研究。Kooi把CNN应用于乳腺病变的识别，在灵敏度低的情况下，与传统方法相比效果更优，在灵敏度高的情况下，精确率更高^[8]。Setiocai提出包含多个二维的CNN多视图卷积网络来检测肺结节病情，采用数据增强（Date Augmentation）的方法可使准确率达到90.1％^[9]。Li等人采用CNN来分类间接性肺病^[10]。2017年，Esteva在《自然》杂志上发表了关于皮肤癌检测的文章，在文章中提及的模型检测的准确率已经超过了专业要求^[11]。
国内的医学图像识别模式虽然起步较晚，但也取得了不错的成果。西北大学李炳春等人提出了RBF网络分类器对乳腺肿瘤图片进行分类，使得准确率达到了76.6%^[12]。同济大学徐菲菲等人采用模糊粗糙集对肿瘤模型进行分类，选取急性白血病亚型和直肠癌基因进行试验，结果表明模糊粗糙集对于医学图像分类具有可行性^[13]。浙江大学叶萌萌根据肿瘤细胞边界存在差异的特征，提取肿瘤细胞的边界特征，利用向量机对边界特征，半径，熵和面积进行训练和测试^[14]。为准确识别肿瘤的恶性还是良性提供了一个诊断手段。徐娜娜等人利用NSCT的特性，将MR图像变换到频域中，然后用SVM进行识别，结果表明准确率吧可以达到100%^[15]。卢星凝等人对于CA算法和SVM集成相结合的方法提出了改进，改善了原有存在的冗余问题，改进后的准确率和敏感度得到了提高^[16]。
随着计算机技术的不断发展，基于深度学习的医学图像的识别将会越发的成熟,将会给人们带来更多的便利。

2. 研究的基本内容与方案

主要研究内容及目标如下：

（1）对不同的关于心律不齐的分类方法进行对比分析；

（2）确定本课题识别分类方法；

（3）AlexNet和VGGN两种CNN模型的比较；