Deep Learning -- Ten

**前言：**今天的主要任务是查阅近两年内的医学图像方向的论文，而关于肺结节检测的文章主要分为四个方向，包括定位、分割、配准和分类。

一.Detection/Localization

1.为了在计算机断层扫描（CT）图像中检测肺中的肺结节，Zhu等人提出了一种称为DeepEM的深度网络。 该网络使用3D CNN架构，该架构增加了Expectation Maximization（EM）技术，用于电子病历（EMR）的带有标签的数据。 他们使用EM技术以端到端的方式训练他们的模型。 他们的研究使用了三个数据集，包括： LUNA16数据集—最大的公开可用数据，用于监督肺结节检测，NCI NLST数据集–用于弱监督性检测和天池肺结节检测数据集。
2. Zhe等提出了一种在公共数据库NIH X射线4中定位和识别胸腔疾病的技术，该技术包括120幅正面X射线图像和14个标签。他们的模型同时执行定位和识别任务。他们使用流行的ResNet体系结构来构建计算模型。在他们的模型中，输入图像通过CNN进行特征图提取，然后使用最大池化或双线性插值层通过补丁切片层调整输入图像的大小。之后，使用全卷积层最终执行识别。为了进行培训，作者利用了多实例学习（MIL）的框架，并且在测试阶段，该模型可以预测标签和类特定的本地化详细信息。
3. Masood等人提出了一种称为DFCNet的深层网络，用于自动计算机辅助肺部肺部检测。
4. Gonzalez等提出了一种在吸烟者的CT图像中检测慢性阻塞性肺疾病（COPD）和急性呼吸道疾病（ARD）预测的深度网络。他们使用7,983个COPDGene病例训练了CNN，并使用logistic回归进行了COPD检测和ARD预测。
5. Marsiya等人。使用NLST和LDIC / IDRI [90]数据集在CT图像中检测肺结节。 他们为此目的提出了3D群等变卷积神经网络（G-CNN）技术。该提议的方法用于快速减少肺结节的检测。 作者声称，他们的方法在使用少十倍的数据进行训练的同时，可以与标准CNN媲美。

二.Segmentation

1. Duan等提出了一种深度嵌套水平集（DNLS）技术，用于肺动脉高压（PH）患者的心脏MR图像的多区域分割。他们将他们的方法与CNN方法和条件随机场（CRF）CRF-CNN方法进行了比较。DNLS在所有解剖结构（尤其是心肌）上均优于那些技术。
2. LanLonde等通过利用胶囊网络进行对象分割，引入了基于CNN的技术，称为SegCaps。作者利用LIDC-IDRI数据库的LUNA 16子集，证明了他们分析CT肺部扫描的方法的有效性。 结果表明，与流行的U-Net相比，该方法具有更好的分割性能。 SegCaps能够处理512×512的大图像。

三. Registration

1.关于胸部的解剖区域，Eppenhof等提出了一种基于3D FCN的技术，用于配准CT肺吸气-呼气图像对。他们使用两个数据集DIRLAB 和CREATIS验证了其方法的性能。渐渐地，医学影像界越来越多地认识到，深度学习是用于胸部区域2D和3D图像配准的有前途的工具。
2.De等还训练了CNN模型以进行细微和可变形的图像配准。他们的技术可以一次性记录两对看不见的图像。他们将他们的技术应用于心脏MRI和胸部CT图像进行配准。
3.Zheng等在使用合成数据的成对域自适应（PDA）技术的指导下，针对2D / 3D图像配准问题训练了CNN模型。据称，他们的方法可以仅使用有限数量的训练图像来学习用于图像配准的有效表示。他们证明了其方法在临床上的通用性和灵活性。他们的PDA方法特别适用于可以获得少量培训数据的地方。

四.Classification

1.Dey等研究了3D CNN在CT图像中对肺癌的良恶性诊断分类。分析了四个网络的分类任务，即基本的3D CNN；一个多输出CNN；一3D DenseNet，以及经过扩展的带有多个输出的3D DenseNet。在这项研究中，他们使用了公开的LIDCIDRI数据集和1,010张CT图像，并使用了包含47例恶性和良性CT图像的私人数据集。最好的结果是通过两个数据集上的3D多输出DenseNet（MoDenseNet）实现的，与先前报道的89.90％的准确性相比，其准确性为90.40％。
2.Wang等使用深度学习来分析整个幻灯片肺癌分类的组织病理学图像。
3.Coudray等使用Inception3 CNN模型分析整个幻灯片图像，以将肺癌分为腺癌（LUAD），鳞状细胞癌（LUSC）或正常组织。此外，他们还训练了他们的模型来预测LUAD中最常见的10个突变基因，并取得了良好的准确性。
4.Masoodetal提出了一种基于FCN的DFCNet学习方法，该方法用于对检测到的肺癌肺癌结节的四个阶段进行分类。

五.总结

通过一天的阅读，我感受到了自己对于研究课题领域知识的缺乏，很多优秀的网络模型还需要去认真学习。所以，明天的计划是早晨上课（利用课堂时间阅读计算机视觉要讲的论文），下午对今天看过的各个研究方向论文进行精读，了解每一个网络模型的原理，并做好相关的笔记，为first talk的内容做准备！