资讯专栏INFORMATION COLUMN

医学图像分析最新综述:走向深度

MudOnTire / 1984人阅读

摘要:医学图像分析主要包含的模式识别任务是检测定位分割配准分类。面临挑战作者简述了深度学习用于医学图像分析面临的挑战,主要有缺少较精确的标注数据。关注能对医学图像分析带来启发的其他计算机视觉机器学习领域的新工作。

今天arXiv新上一篇论文《Going Deep in Medical Image Analysis: Concepts, Methods, Challenges and Future Directions》,来自澳大利亚埃迪斯科文大学的研究人员综述了深度学习在医学图像分析领域应用的概念、最近出现的常用方法、数据集、面临挑战和可能的未来方向

其参考了近几年三百多篇文献,值得医学影像处理领域的学者与工程技术人员参考。

深度学习基础

该论文首先从深度学习的基础概念介绍,介绍了该领域的常用方法,包括深度学习网络架构、神经元概念、卷积神经网络、循环神经网络等。

深度神经网络架构,包含输入层、输出层,与多个隐含层。

单个神经元数学计算模型示例:

卷积操作示例:

网络中卷积层计算图示:

RNN模型图示:

技术分类与文献索引

作者按照医学图像分析的技术方向和应用场景(使用的数据集)归纳成下图。

医学图像分析主要包含的模式识别任务是检测/定位、分割、配准、分类。常见的医学影像包括Brain、Breast、Eye、Chest、Abdomen等。

作者将2016、2017年新出的文献按照谷歌学术的索引排序,列出了每个技术领域具有影响力的文章。(因2018年刚过,数据还不完整,所以不包含2018年的论文)

这些文献在本文以索引出现,想要进一步了解的同学可以文末下载原论文参考。

检测/定位方向的高引文献:

分割方向的高引文献:

配准方向的高引文献:

分类方向的高引文献:

数据集

医学影像的数据往往比较难以获取,数据规模也比较小。

作者将该领域常用数据集总结列表如下:

下载网址及方法请参考原论文。

面临挑战

作者简述了深度学习用于医学图像分析面临的挑战,主要有:

1.缺少较精确的标注数据。医学领域对标注的要求更高。

2.样本不平衡。正负样本往往数量差异较大。

3.预测结果置信度信息缺失。医学领域对模型可解释性的要求更高。

未来方向

1.处理小数据问题。一些有用的技术包括使用迁移学习、数据增广、GAN样本生成。

2.结合更多数据来源。医学领域往往不仅仅依靠图像来诊断,结合病历资料的多模态学习也值得关注。

3.关注其他领域的工作。关注能对医学图像分析带来启发的其他计算机视觉、机器学习领域的新工作。

论文地址:

https://arxiv.org/abs/1902.05655v1

声明:文章收集于网络,如有侵权,请联系小编及时处理,谢谢!

欢迎加入本站公开兴趣群

商业智能与数据分析群

兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识

QQ群:81035754

文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/4852.html

相关文章

  • [DL-医疗-综述] 001 综合指南及实例(上)

    摘要:摘要背景深度学习是一种表示学习方法,非常适合用来处理数字病理学中的图像分析问题。优质的注释样本是深度学习重要的先决条件,但是处理数字病理学中最大的挑战就是获取高质量的注释样本。本文使用的深度学习主要由四个模块组成。 Deep learning for digital pathology image analysis: A comprehensive tutorial with sele...

    isaced 评论0 收藏0
  • 深度学习图像超分辨率最新综述:从模型到应用

    摘要:这也是很多大厂都在研发的原因深度超分辨率层次结构该文作者总结了一张非常棒的图,可以尽览深度学习超分辨率的方方面面作者介绍了深度学习图像超分辨的监督学习方法,从模型框架上采样方法网络设计方法网络学习策略和可能的改进策略进行了细致总结。 今日arXiv新上论文《Deep Learning for Image Super-resolution:A Survey》,详细回顾了近年来基于深度学习的图像...

    iKcamp 评论0 收藏0
  • [DL-医疗-综述] 003 综合指南及实例(下)

    摘要:淋巴细胞是白细胞的一个亚种,在免疫系统中很重要。患病或有异物的区域淋巴细胞数量会极大增加,所以通过确认和定量淋巴细胞的密度和位置有助于评估疾病。本节目标是确定淋巴细胞的中心,是一个检测任务。常见的假阳性和真实正例见图。 Deep learning for digital pathology image analysis: A comprehensive tutorial with se...

    史占广 评论0 收藏0
  • GitChat · 人工智能 | 肿瘤医疗影像 AI 识别技术实践

    摘要:大数据人工智能分析技术使得医学影像诊断软硬件变得更智能化。通过已训练好的卷积神经网络,能很快地搭建并训练自己的深度学习系统。目前,典型的卷积神经网络是一个多层的可训练的体系结构。使用平均值操作的池化层被称之为平均池化层。 来自 GitChat 作者:王晓明更多IT技术分享,尽在微信公众号:GitChat技术杂谈 进入 GitChat 阅读原文 前言 医学影像与人工智能的结合,是数字医疗...

    songjz 评论0 收藏0

发表评论

0条评论

最新活动
阅读需要支付1元查看
<