A review of deep learning in medical imaging: Image traits, technology trends, case studies with ...

Paper阅读记录：A review of deep learning in medical imaging: Image traits, technology trends, case studies with  progress highlights, and future promises.

---

Abstract

本文强调了医学成像的临床需求和技术挑战，并描述了深度学习的新趋势如何解决这些问题。本文的topic包括：

• network architecture
• sparse and noisy labels
• federating learning
• interpretability
• uncertainty

另外，本文介绍了在：digital pathology and chest, brain, cardiovascular, and abdominal imaging上的研究。

---

Overview

• 医学图像占据了医疗保健数据的90%；
• 医学图像的特质：多模态，数据源受限于隐私和政策较为异构和孤立，疾病众多，标签稀疏且含较大噪声，样本不均衡，图像处理分析任务复杂；

• 临床需求和应用：医学影像是疾病诊断过程的重要部分。Decision Support: Detection of pathological findings, Quantification of disease extent, Characterization of pathologies. (简单总结就是：检测、分割和分类)
• 关键技术：图像重建、图像增强、图像分割、图像配准、计算机辅助检测和诊断、其他技术等；
• 历史展望：2015~2016  Transfer Learning；2017~2018  Synthetic Data Augmentation;
• 深度学习方法：更深的网络（更大的容量和更强的泛化能力）；对抗网络和注意力机制；神经网络搜索（NAS）和轻量化设计；标注效率相关的方法（transfer learning, domain adaptation, self-supervised learning, semi-supervised learning, weakly/partially supervised learning）；迁移学习；域适应；自监督学习；半监督学习；弱监督学习；无监督学习和disentanglement；Embedding knowledge into learning；联邦学习（Federated learning）；Interpretability；Model-based interpretability：

---

CASE STUDIES

• 介绍了肺部疾病相关的研究；（肺炎/肺叶分割等）
• 介绍了脑神经影像研究；neuroimaging
• 心血管图像研究；cardiovascular imaging
• 腹部影像研究；abdominal imaging
• 电子显微镜影像研究；microscopy imaging

---

以上，论文从宏观角度讲解了各类模态影像的特点、研究任务、Challenge、部分方法，对各case的研究领域可以有一定了解。后续再详细查看CASE STUDIES。