基于深度学习的医学图像分割（Medical Image Segmentation Using Deep Learning: A Survey）

Medical Image Segmentation Using Deep Learning: A Survey

基于深度学习的医学图像分割：一个调查
论文地址：https://arxiv.org/abs/2009.13120

摘要

1. 文章不同与其他文章：
   a. 由粗到细进行分类（其他：分组详细介绍）
   b. 主要研究监督和弱监督学习方法

2. 对监督学习方法，从三方面分析
   a. 主干网络的选择
   b. 网络模块的设计
   c. 损失函数的优化

3. 对弱监督学习方法
   a. 数据增强
   b. 迁移学习
   c. 交互式分割
   

介绍

• 医学图像分割的目的是使图像的解剖或病理结构变化更加清晰；由于诊断效率和准确性有很大的提高，它在计算机辅助诊断和智能医学中往往发挥着关键作用。

  流行的医学图像分割任务包括肝和肝肿瘤分割[1][2]，脑和脑肿瘤分割[3][4]，视盘分割[5][6]，细胞分割[7][8]，肺分割和肺结节[9][10]，等。

  随着医学成像设备的发展和普及，x射线、计算机断层扫描(CT)、磁共振成像(MRI)和超声已成为帮助临床医生诊断疾病、评估进展和计划医疗机构手术的四种重要图像辅助手段。

  在实际应用中，虽然这些成像方法有优点和缺点，但它们对人体不同部位的医学检查是有用的。

• 为了帮助临床医生做出准确的诊断，有必要分割医学图像中的一些关键对象，并从分割后的区域中提取特征。

  早期的医学图像分割方法往往依赖于边缘检测、模板匹配技术、统计形状模型、主动轮廓和机器学习。

  虽然已经报道了大量的方法，并且在某些情况下是成功的，但由于特征表示的困难，图像分割仍然是计算机视觉领域最具挑战性的课题之一。

  特别是，从医学图像中提取鉴别特征比正常的RGB图像更困难，因为医学图像往往存在模糊、噪声、低对比度等问题。

  由于深度学习技术[18]的快速发展，医学图像分割将不再需要手工制作的特征和卷积神经网络(CNN)，成功地实现了图像的层次特征表示，从而成为图像处理和计算机视觉中最热门的研究课题。

  由于用于特征学习的cnn对图像噪声、模糊、对比度等不敏感，它们为医学图像提供了很好的分割结果。

• 值得一提的是，目前的图像分割任务分为两类：语义分割(semantic segmentation)和实例分割(instance segmentation)。
  语义分割和实例分割

    语义分割
    1. 像素级分类
    
    实例分割
    1. 像素级分类
    2. 据特定类别区分实例
  

  事实上，由于每个器官或组织都有很大的不同，关于医学图像分割中实例分割的报道较少。本文综述了深度学习技术在医学图像分割方面的研究进展。