【深度学习】医疗图像识别论文阅读笔记（一）——息肉与结肠镜检测

原文发布在我的幕布里

医疗图像识别论文：

Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning?
下载地址
：https://arxiv.org/pdf/1706.00712.pdf

• 传统方法：依靠图像内容的图像检索方式（Content-based image retrieval
  CBIR）CBIR

  • 基于色彩的索引技术

  • 基于纹理的图像分类技术

  • 基于形状的图像分类技术

• 神经网络方法

  • Coates等人所描述的单层网络结构学习框架：

    • Paccanaro, A., Hinton, G. E. (2001). Learning hierarchical
      structures with linear relational embedding. In Advances in neural
      information processing systems (Vol. 14). Cambridge: MIT Press.

  • Cruzroa等人提出基于稀疏自动编码器的深度学习模型，用于基底细胞癌的自动化肿瘤检测

    • Cruzroa A, Gilmore H, Feldman M, et al. Automatic detection of
      invasive ductal carcinoma in whole slide images with
      convolutional neural networks[J]. Proceedings of SPIE - The
      International Society for Optical Engineering, 2014,
      9041(2):139-144.

  • .Zou使用卷积神经网络对WCE图像中的消化器官进行分类

    • Zou Y, Li L, Wang Y, et al. Classifying digestive organs
      in wireless capsule endoscopy images based on deep
      convolutional neural network[C]// IEEE International Conference
      on Digital Signal Processing. IEEE, 2015:1274-1278.

  • Chen运用基于卷积神经网络的深度学习框架对青光眼进行识别

    • Chen X, Xu Y, Yan S, et al. Automatic Feature Learning for Glaucoma
      Detection Based on Deep Learning[M]//Medical Image Computing and
      Computer-Assisted Intervention – MICCAI 2015. Springer International
      Publishing, 2015:669-677.

---

息肉与结肠镜检测

A.息肉检测

• 1.结肠镜检查是结肠癌筛选和预防的首选技术

• 2.息肉在颜色、形状、和大小方面有差异

• 3.息肉检查的错误率估计为4%~12%【43】，但是最近的临床显示，误检率可能高达25%。大肠癌的误检可能导致后续的转移性结肠癌，存活率低于10%

• 4.早期的系统依赖于息肉的颜色与纹理进行检测，但是息肉之间较大的颜色变化跟表面纹理的可见性受限，会阻碍这个系统的适用性

• 5.近期的系统依赖于时间信息与形状信息，提高息肉检测。外形的特征被证明比颜色跟纹理更加有效。这个方法在【42】达到高潮

• [42]N.Tajbakhsh,S.Gurudu,andJ.Liang,“Automatedpolypdetectionincolonoscopyvideosusingshapeandcontextinformation,”IEEETrans.Med.Imag.,vol.35,no.2,pp.630–644,Feb.2016.

• 6.为了试图克服仅依靠形状的方法的限制，我们建议使用结合形状和息肉边界进行手工雕琢（制作）的方法

• 7.实验：

• （1）选用40个短纤维结肠镜视频作为数据库，每个结肠镜检查帧带有一个二进制（二元）的正确标注的图像

• （2）随机分为训练集：3800帧有息肉的，15100帧无息肉的

• 测试机：5700帧有息肉的，13200帧无息肉的

• （3）将【42】的handcraft方法用于训练集与测试集中获得一组有相应的边框的息肉候选

• （4）对于每个候选，考虑到边框的大小，抽取了一组数据做了增强数据的补丁：（a）在三个刻度（scale）内扩大1.0X、1.2X、1.5X倍提取补丁。（b）水平垂直方向调整10%（c）转换候选位置通过水平和垂直的镜像和翻转，重复8次

• 8如果边框落在正确样本中标记为+，否则标记为-

• 9.息肉补丁提取的用于训练CNN

• 10.更多的卷积层被被调节，效果越好1-5conv，678-fc

• 11.当样本数量较少时使用微调的效果会明显好于全训练

• B结肠镜的检查帧分类

• 1.图像价值评价在结肠镜检查中有重要作用

• 2.一个结肠镜视频通常包含很多无用信息的图片：对检查和治疗无用

• 3.一个视频中的无用图片越多，结肠镜的可视化质量越低

• 4.通过检测捕获图像的质量来限制低质量的检查和品质控制

• 5.结肠镜检查的图像质量评价能被看作一个图像分类任务：把一个图像分为“有信息”和“无信息”fig（5）

• 6.【65】提出了一种基于本地的与全球图像联合的误差重构特征，优于【66】【67】

• a handcrafted approach based on local andglobal features that were pooled
  from the image reconstruction error

• 7.使用深层的CNN代替精心设计

• 8.实验：六个完整的结肠镜视频

• （1）每个视频每5秒选取一帧：去除相似的帧

• （2）取得4000个结肠镜帧，对于有无信息无差别取样

• （3）通过专家手工标注有无信息

• （4）分为2000个训练集与2000个测试集

• （5）从每个500*350的帧中随机选取200个227*227的子图像——40000

• (6)每隔帧判断为“有信息”的概率是子图像的平均概率

• 9.性能对比