关于医学图像分类问题的一些归纳

1.医学图片与自然场景图片的区别

         医学图像检测与自然图像检测差别还是比较大的，自然图像的目标检测由于需要检测的类别非常多，现在的目标是更深的网络（提高目标的特征表示能力，resnet），更快的检测速度（最终需要商用，要有较好的实时性，yolo，ssd），更好的检测效果（boundbox要完全正好包住目标，locnet）；而医学图像的目标检测，由于都是针对某一个特定的类别（检测结核，肿瘤），更多的是一些细粒度类别的东西，以及更多的网络结构的trick，工程的trick。这些网络一般都不会太深。

2.医学图片处理难点

   a.目标（如肺部结核）尺寸，形状，位置变化较大 

   b.不同环境下，目标外观变化大 

   c.是目标的和不是目标的外观差别小

3.医学图片处理流程

   大体过程： 
   .区域的分割--->候选区域提取（粗粒度）-à特征提取-à分类 
   浅层方法： 
   .形状+位置+密度+梯度的多种特征的融合。

   深度方法（trick）：

   .每个patch不同的size multi-size multi-scale 
   .每个patch不同的视角 multi-view 
   .融合多个网络 multi-net 
   .3D卷积（更多的context信息）

4.可实现的方式

  .构建卷积的深度置信网络

  .迁移学习：AlexNet、GoogleNet

5.迁移学习适用性判别思想

       转移训练的原理是某些特征在不同的训练数据集上是具有通用性的。对于CNN而言，其第一层是提取局部的特征，在后续层通过下采样扩大感知区域, 再往后的层感知区域更大，得到的特征也更加抽象。在前几层的特征通常并不与某一个具体的分类任务直接相关，而是类似于Gabor Filter, 边缘，与方向有关的特征等。这些特征都是比较通用的，因此可以在一个数据集上训练得到而应用在一个与之类似的数据集上。当然，如果训练出的特征对某个训练数据集或者识别任务具有特异性，用它做转移学习就未必有好的效果。

6.实例

   乳腺肿瘤x线图像CNN网络设置：

   -6个卷积层和池化层以及两个全连接层

   -含有归一化层和softmax层

   -输入64*64大小的图片

   -卷积核大小设置：5* 5*12（1），3*3*28（1），3*3*72（1），3*3*120（1），3*3*120（1）3*3*120（1），240，100，10

7. 医学图像低层次特征

    .低层次特征提取：纹理、颜色、局部特征、形状特征

   .所谓鲁棒性就是神经网络对于各种输入数据都能很好的处理，要提高鲁棒性就是要训练到各种各样的数据，比如改变图片颜  色，就可以提高网络对图片色彩的鲁棒性。