A Survey on Deep Learning for Neuroimaging-based Brain Disorder Analysis阅读笔记

最新推荐文章于 2022-04-15 17:00:36 发布

风雪夜归人o

最新推荐文章于 2022-04-15 17:00:36 发布

阅读量737

点赞数 1

本文链接：https://blog.csdn.net/qq_42079689/article/details/106115683

版权

本文概述了深度学习在基于神经影像的脑部疾病分析中的应用，如阿尔茨海默病，帕金森病，自闭症谱系障碍和精神分裂症。深度学习自动学习最佳特征，提高了计算机辅助诊断的效率。尽管取得显著成果，但面临样本不足、多模态数据融合、时空尺度信息处理和站点间异质性等挑战。

摘要由CSDN通过智能技术生成

摘要，本文工作

深度学习最近已用于分析神经影像，例如结构磁共振成像（sMRI），功能性核磁共振成像（fMRI）和正电子发射断层扫描（PET）。并且在脑部疾病的计算机辅助诊断中，相对于传统的机器学习方法，其性能得到了显著改善。本文概述了深度学习方法在基于神经影像的脑部疾病分析中的应用。
通过介绍各种类型的深度神经网络和最新发展，我们首先提供深度学习技术和流行网络架构的全面概述。然后，我们回顾了用于四种典型脑部疾病的计算机辅助分析的深度学习方法，包括阿尔茨海默氏病，帕金森氏病，自闭症谱系障碍和精神分裂症。更重要的是，我们讨论了现有研究的局限性并提出了可能的未来发展方向。

介绍

医学成像指的是用于提供人体内部视觉表示的几种不同技术，以帮助放射科医生和临床医生更有效地及早发现，诊断或治疗疾病[1]。在过去的几十年中，医学成像迅速成为一种占主导地位且有效的工具，并且代表了各种成像方式，包括X射线，乳房X线照片，超声，计算机断层扫描，磁共振成像（MRI）和正电子发射断层扫描（PET）[2] 。每种模态的医学图像都提供了有关不同人体器官的各种解剖学和功能信息，以用于诊断和研究。
在临床实践中，医学图像的详细解释需要由诸如放射科医生和临床医生的人类专家来执行。然而，对于大量的医学图像，解释是费时的，并且很容易由人类专家的偏见和潜在的疲劳导致解释出现偏差。因此，从1980年代初期开始，医生和研究人员就开始使用计算机辅助诊断（CAD）系统来解释医学图像并提高其效率。