深度学习在医学图像处理中的应用

简介

本文参考了三篇深度学习在医学图像处理中的三篇综述性的文章，旨在对于深度学习和医学图像相结合的现有情况做一个小总结，并探讨一下未来的一些发展趋势和自身的一些思考

医学影像深度学习工具

深度学习模型

在医学影像处理中使用的到的深度学习的模型框架主要有：

SAE(stack auto-encoder)

无监督学习方案，逐层训练，得到特征描述为主

RBM(restricted Boltzmann machine)

无监督学习方案，与SAE 类似

CNN(convolutional neural network)

卷积神经网络，使用最为广泛，可以用来提取图片特征或者直接完成分类检测等任务

RNN(recurrent neural network)

循环神经网络，用来获取时序上的信息，在CT等逐行扫描图像中使用

U-net (with a single downsampling stage)

类似于带short-cut的全卷机网络，用来融合不同尺度的图像的特征

FCNN(fully convolutional neural network)

全卷机网络，可以获取与原图相同分辨率的图片，常用于分割等任务

FRCNN(Faster Region-proposal based neural network)

一种快速的深度学习检测网络框架，分为rpn 和 rcnn 两层，用于检测图像中的多种物体

深度学习框架

caffe
tensorflow
torch
Theano

暂时没有使用到的深度学习技术

* VAE

* GAN

State of Arts

深度学习在医学图像领域的一些限制

缺少高质量的标注的训练样本，因此训练出来的模型可能是过拟合的或者说推广性不好，因此需要将的到的模型放在各种情况下测试推广性[^doc3]
深度学习得到的模型是一个黑盒子，无法解释其有效性，在一些特殊的情况下会出现非常奇怪无法解释的问题，因此在医疗行业中的接受度也是一个问题[^doc3]
在商业系统中使用临床上的图片资料会存在法律和伦理上的问题而不使用这样的样本无法进一步的提高深度学习模型的水平[^doc3]

一些自己的思考

2D VS 3D

从文献综述来看，大部分的工作都是基于2D图像的，其实在医学图像中，CT 和 MRI都是3D的数据2D化的结果，在医疗图像处理的算法中3D重建等等也是非常重要的一大类算法，但是现有的基于3D的算法一来耗时比较高，二来并没有比基于2D的算法提高很多，使用2D还是3D是一个值得思考的问题。

Feature vs Result

从文献综述中来看，稍微久远一些的算法就是把CNN当作是一个特征提取的算子获得图像的描述特征而最新的一些方法直接将CNN的结果就作为最终的输出结果来使用，这里喔感觉直接使用CNN的输出作为结果，会涉及到文献中所说的黑盒子的限制，可解释型一般是比较差的，而作为特征来使用解释性可能会好一些，因为后续的一些后处理中可以增加的规则类的比较多，解释性会更佳

过滤 vs 诊断

一直以来作者觉得在医疗行业中，计算机能做的最大的贡献就是帮助医生做大量医学影像的过滤工作，至于使用诊断上最多也只是一个辅助的诊断工具，而机器学习到达了深度学习的时代，有些本来以为不太可能的任务都被深度学习算法一个一个的攻克了，在未来的工作做，计算机深度学习是不是可能独立的进行本属于医生独享的诊断工作我还是不得而知，然后我们可以知道的是，技术的发展使得过滤的正确率大大的提高，极大的提高生产的效率，这一方面是肯定有助于医疗行业的，相应深度学习在医疗领域的前景还是很广阔的。

Refs：

A Survey on Deep Learning in Medical Image Analysis
Deep Learning in Medical Image Analysis
Deep Learning in Medical Imaging: General Overview
Volumetric ConvNets with Mixed Residual Connections for Automated Prostate Segmentation from 3D MR Images
DEEP LEARNING BASED CANCER METASTASES DETECTION
Proceedings of MICCAI-BRATS 2016

深度学习在医学图像处理中的应用相关推荐

深度学习在医学影像中的研究进展及发展趋势
点击上方蓝字关注我们深度学习在医学影像中的研究进展及发展趋势王丽会1,2, 秦永彬1,2 1 贵州省智能医学影像分析与精准诊断重点实验室,贵州贵阳 550025 2 贵州大学计算机科学与技术学院 ...
【深度学习】医学图像处理之视杯视盘分割调研分析
[深度学习]医学图像处理之视杯视盘分割数据集和评价指标文章目录 [深度学习]医学图像处理之视杯视盘分割数据集和评价指标 1 数据集(公开) 2.1 视盘标签 2.2 视杯视盘标签 2 评价指标 2. ...
深度学习在遥感图像处理中的六大应用
2006年,加拿大多伦多大学教授.机器学习领域的泰斗Geoffrey Hinton和他的学生在<科学>上发表了一篇文章,开启了深度学习在学术界和工业界的浪潮. 深度学习摧枯拉朽般地实现了各 ...
人工智能讲师叶梓人工智能之深度学习在医学影像领域中的应用》医学AI人工智能讲师医疗人工智能人工智能AI医疗讲师
课件为人工智能讲师叶梓人工智能系列课程之一,更多课程,及老师资料可点击个人主页助力QQ526346584 人工智能之深度学习在医学影像领域应用技术实战课程介绍近年来,随着人工智能领域异军突起,深 ...
unet分割如何取其中一类_深度学习与医学图像处理案例学习1——Unet肺部分割（CT图像）...
内容引用自https://www.kaggle.com/toregil/a-lung-u-net-in-keras?select=2d_masks.zip #引入普通包 1 import os2 im ...
基于深度学习的医学图像分割综述
转载:https://blog.csdn.net/weixin_41783077/article/details/80894466 摘要:医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问 ...
【百家稷学】深度学习在计算摄影中的方法与应用（vivo技术分享）
继续咱们百家稷学专题,本次是有三AI在vivo公司分享的技术讲座.百家稷学专题的目标,是走进100所高校和企业进行学习与分享. 分享主题本次分享是在vivo AI研究院进行,主题是<深度学习在 ...
深度学习在医学超声图像分析中的应用综述
深度学习在医学超声图像分析中的应用综述关键词摘要 1.引言 2. 常用深度学习结构 2.3 模型训练的困难及其应对策略 3. 深度学习在医学超声图像分析中的应用 3.1 分类 3.2 检测 3.3 ...
深度学习图像处理（深度学习的医学图像分割3.1）
基于深度学习的医学图像分割模型研究_曹祺炜 1.基于改进的3D-FCN+CRF以及MS-CapsNetGAN实现脑肿瘤图像分割图像语义分割,简单而言就是给定一张图片,对图片上的每一个像素点分类,不同 ...

深度学习在医学图像处理中的应用

深度学习在医学图像处理中的应用相关推荐

最新文章

热门文章