医学图像中感兴趣区域（ROI）的提取到底是属于图像分割还是目标检测？

目标检测是深度学习中一个重要的应用，一般包含两个步骤：①对图像进行分类，识别物体是什么；②定位目标，找出目标在哪里。

图像分割则是将每一像素与其表示的目标类别对应起来，即从像素水平上对目标定位，不再是简单地画矩形框。

第一种 传统的目标检测算法有Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化；这些算法一般有以下流程：

1.采用穷举策略的选择区域，即设置不同大小、不同长宽比的滑动窗口对图像进行遍历；穷举策略计算量庞大，耗时长。

2.使用SIFT、HOG提取特征；因为形态多样性、光照变化多样性、背景多样性导致鲁棒性差。

3.使用SVM、Adaboost等分类器对特征进行分类。

第二种 基于候选区域+深度学习的方法有：
R-CNN（Selective Search + CNN + SVM）
SPP-net（ROI Pooling）
Fast R-CNN（Selective Search + CNN + ROI）
Faster R-CNN（RPN + CNN + ROI）
R-FCN

第三种 基于深度学习的回归方法有：YOLO/SSD/DenseBox 等方法；以及最近出现的结合RNN算法的RRC detection；结合DPM的Deformable CNN等。

R-CNN是将CNN用于物体检测的早期应用，可以说是利用卷积神经网络进行目标检测的开山之作。相较于传统的目标检测算法，R-CNN不再暴力穷举所有矩形框，而是采用Selective Search或EdgeBoxes等方法，预先找出图中可能出现目标的位置（候选区域）。剩下的工作则是采用CNN（如AlexNet）对候选区域提取特征，使用SVM对特征进行分类。