ValseWebinar医学影像小数据深度学习

20181031夏勇：医学影像小数据深度学习

---

1、Deep Ensemble Learning，集成学习
医学数据少，多模型共同预测
- 乳腺癌 并连 分类

• 视网膜血管分割
  困难 对比度差距大，粗细毛细血管。
  多分辨的网络结构

  
  处理细血管：蓝色先做上采样，再做下采样
  处理粗血管：黄色先做下采样，再做上采样

效果，还是有一些没有连通。
解决 串联两个多尺度信息
两个损失函数

2、 shallow +deep learning 传统模型和深度模型结合使用

磁带模型
提取特征，对局部信息进行学习，学习到一个词典，编码，词典在特征上的分布，

磁带模型之后

统计建模，假设局部特征满足高斯分布

• 皮肤癌
  用深度学习去学习图像的特征，将学习到的特征使用 sufficent fishnet方法对特征进行编码，获得高级/全局特性进行分类，分隔等

3、Knowledge+Deep Learning
在医学图像上，领域知识还是有效的，毕竟数据量小

• 肺结核 （数据量很少）
  选择好表示的先验知识领域知识

上面：直接将ji结丢入网络学习
中： 灰度共生矩阵，提取纹理信息
下：傅立叶描述子，提取形状信息

adaboost，结合起来，加权投票

效果还行，但是缺陷，（1）为什么使用灰度共生矩阵，傅立叶描述子
（2）三个权重是人为设置的，是否能自动学习
（3） 破坏了CNN特征提取和分类学习的一致性。将CNN学习到的特征提取出来，又训练传统模型。

为了描述纹理信息，去掉结核
为了描述形状信息，去掉纹理
后面加了个决策层，可以端到端的训练
（纹理信息和形状信息 没有相互促进作用，可以）

4、Deep Adversarial Learning

（1）labeled image 训练gan， G,C
（2）使用标注数据，对预训练进行fine-tuning，得到分类网络
（3）测试时，G和C都会进行特征提取
semi-supervised adversarial classification

太多集成了。

5、Synergic Deep Learning

协同学习
集成学习，分类器独立学习。
成对输出

四个协同

6、 Deep Attention Learning

根据区域

可以看出，分类网络也可以学习到注意力，即大致的位置，检测
图像级别标注，学习到与分类相关的目标的位置。