论文学习10“A survey on deep learning in medical image analysis”文章学习

这篇文章是近5年医学影像领域发展的一篇综述,融合了300+篇paper。

文章首先介绍了近些年来深度学习领域的发展,包括CNN、DCNN、RNN以及一些无监督弱监督的方式,比如自编码器等。然后介绍医学影像不同领域的发展。

首先,分类领域。膝关节骨性关节炎多级评分,使用CNN作为特征提取器的细胞病理学图像分类,应用DBN和SAE将患者分类为基于脑部磁共振成像(MRI)的阿尔茨海默病,皮肤损伤图像,多流CNN对皮肤损伤进行分类,使用CNN和RNN的组合来对裂隙灯图像中的核内白内障进行分级,使用多流CNN将胸部CT的兴趣点分类为结节或非结节,通过训练3D CNN评估患有高级别胶质瘤的患者的生存率。

识别领域,在2D解析3D CT体积之后识别矩形3D边界框,2D心脏MRI和超声(US)和3D头颈部CT,CT数据中颈动脉分叉检测,三维食管超声心动图检测主动脉瓣的数据,胎儿中检测多达12个标准化扫描平面,LSTM-RNN与CNN相结合来检测心脏电影-MRI中的舒张末期和收缩末期帧,小病灶的定位和识别,3D CNN在大脑MRI中发现微出血,检测胸部X光片中的结节和乳房X线。

分割领域,RNN在H&E组织病理学图像中分割肌束膜,使用3D RNN和门控周期性单位来分割脑MRI数据集中的灰质和白质,MR图像中椎体分割,fCNN以分割脑MRI,胸部MRI胸肌和心脏CT血管造影(CTA)中的冠状动脉,脑部MRI中的白质病灶进行分割。

定位领域,使用深度学习网络估计两幅图像的相似性度量以推动迭代优化策略,使用深度回归网络直接预测变换参数,评估头部的CT和MRI图像之间的局部相似性,利用CNN进行三维模型二维X射线配准评估在手术过程中植入物体的姿态和位置。

其他领域,基于内容的图像检索,图像生成和增强,利用多流CNN,可以从多个低分辨率输入生成超分辨率图像,使用SAE将H&E染色的组织病理学图像标准化,使用CNN在DCE-MRI时间序列中执行去噪,图像数据与报告(1)利用报告来提高图像分类的准确性(2)从图像生成文本报告。

从疾病角度入手。

脑部,MRI,阿尔茨海默病的分类以及脑组织和解剖结构(例如海马)的分割,其他重要的领域是病变的检测和分割(例如肿瘤,白质病变,痤疮,微出血)。

眼部,CFI,解剖结构的分割,视网膜异常的分割和检测,眼病的诊断以及图像质量评估,Kaggle的糖尿病视网膜病变检测竞赛。

胸部,X-ray,CT中,指示间质性肺病的纹理模式的检测,LUNA16肺结节分割打算,kaggle的肺癌检测大赛。

数字病理学和显微学,WSI,(1)检测,分割或分类细胞核(2)大型器官的分割(3)在病变的WSI水平检测和分类感兴趣的疾病。组织病理学中的颜色归一化,2012年的神经细胞分裂挑战,2012年的ICPR 2012和AMIDA,腺体分割的GLAS,CAMELYON16和TUPAC治疗乳腺癌癌症组织样本,分割神经元膜,结直肠癌组织样本中腺体实例分割,(1)发现高细胞密度区域(2)使用CNN检测感兴趣区域的有丝分裂(3)将有丝分裂检测的结果转换为每个WSI的特征向量,并使用SVM分类器计算肿瘤增殖和分子数据分数。

乳房,乳腺癌(1)质量样病变的检测和分类(2)微钙化的检测和分类(3)乳腺癌风险图像评分。

心脏,左心室分割是最常见的任务,但应用的数量高度多样化:分割,跟踪,切片分类,图像质量评估,自动钙计分和冠状动脉中心线跟踪。

腹部,旨在定位和分割器官,主要是肝脏,肾脏,膀胱和胰腺。

肌肉骨骼图像也被深度学习算法分析,用于分割和识别不同成像模式中的骨,关节和相关的软组织异常。

其他还有皮肤癌诊断,各种自动化系统。

文章列出了308篇不同领域的医学影像分析的paper,在很多方面,人工智能的准确率已经超过了人类,也已经投入到了市场里,所以这些方面就很难再去研究。找到一个适合自己的研究方向还是很难的,目前定下来的是肺癌检测,但这个方向也已经有很多人在做,很难去提升,所以还需要继续探索。

你可能感兴趣的:(论文学习10“A survey on deep learning in medical image analysis”文章学习)