医学图像分析的新机遇

        好久没回来博客了，博客上似乎都落了薄薄的一层灰。。。最近有一些想法可惜一直没什么空整理出来，今天就先写一点出来，防止最后忘记了

        今天加拿大西安大略大学的 Li Shuo 教授来我们实验室交流，主题是 New Opportunities in Medical Image Analysis。在报告中，Li 教授提到了一些十分新颖的图像分析方向，我将其精髓整理下来，希望对一些从事图像处理的朋友有所启发，同时也作为一个备忘录，防止自己忘记

1.图像分割

        在处理医学领域的影像数据时，绝大多数研究者会首先想到对图像进行分割（也就是对图像中的兴趣区域ROI的轮廓进行描绘），而没有仔细思考为什么要对图像进行分割？有没有必要进行分割？大多数研究者总是抱着一种不管怎样割了再说的态度。这里就出现了一个问题，就是如果在大数据的背景下，医学影像数据来源各异，能否找到一种统一的分割方式？试想一下，如果针对每种来源的数据都设计一种分割方式，基本是不可能完成的任务。在这种背景下，Li 教授的 group 提出了一种方法，可以针对一种器官的任何来源的数据都可以进行分割操作。其主要思想是利用回归框架，在图片的 feature 和人工标记出来的轮廓点之间建立关系，做联合 regression。这样，向训练好的网络中输入图片的特征，最后会输出图片的轮廓点。

        在图像分析领域，如果我们想进行图片分割这类的研究，那么我们一般需要 ground-truth来做参考。可是，在绝大多数情况下，ground-truth 的获得是很麻烦的（对ground-truth有疑问的朋友点这里）。Li 教授的 group提出了一种不利用 ground-truth就能进行图像分割的方法，但是这种方法只能对图像进行粗略分割（但是现场看起来效果确实不错啊。。。虽然有些确实不太准，但是看起来准确度还是相当高的）。由于 Li教授语速较快而且我的知识有限，在这里我只听明白了这个方法的主要思想是利用直方图。。。

2.在不分割的情况下对医学图像进行分析

        在这个方面，Li教授主要说了两点。第一就是不对图像进行分割能不能解决问题，第二就是原有的依靠边界才能完成的任务能不能不依靠边界实现。第一个问题的答案是肯定的，Li 教授的 group在这个领域做了很多工作，其核心是利用直方图或者回归框架进行操作，由此可见，普通的方法用对了地方就变得不普通了哦~~~第二个问题，例如传统的追踪心脏跳动/心脏肌肉收缩问题，基本都是依靠边界来实现的，但是 Li 教授指出，在心脏跳动轨迹追踪问题上，完全不用对图像进行分割，边界的变化情况会鲁棒性的反映在直方图的变化上。