【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

你可能感兴趣的:(机器学习,图像识别,医疗图像)