基于深度学习的医学图像分割学习笔记(一）

基于深度学习的医学图像分割学习笔记(一）

一、医学图像的突出特征

医学图像相比于自然图像主要有四点区别：
1.医学图像的模态更加多样化，不同模态反应的信息不一样。如X-ray观察骨骼更清晰，CT反应出血和组织，MRI观察软组织。
2.医学图像的像素值范围与自然图像（0~255）有很大差别
3.自然图像的光成像，由于散射的存在，频谱比较宽，所以近似认为自然图像的噪声分布是均匀的，建模为高斯分布；而医学图像的成像中，为尽量消除散射带来的影响，使光谱变得较为单一，噪声近似于泊松分布。
4.医学图像存在伪影，伪影一般是在图像配准或三维重建时产生（如CT），从原理上来，只能减少，不能消除。

二、分割目标

首先明确任务需求，确定是对病灶的提取还是器官的提取还是器官的分割。
不同的任务使用的模型不同，不同的任务需求目前没法用统一的模型来完成的。
对于不同的任务需求，可以引入特殊的先验知识来提高精度。

三、分割要求

医学图像中病灶或畸形部分的分割需要比自然图像的分割拥有更高的级别的精度。