深度学习 -- 医学图像分析（一）

参考文献：https://zhuanlan.zhihu.com/p/62045048

这次我们主要讨论深度学习在医学图像分析的主要应用（别问为啥没有别的，问就是都是草稿）。

医学图像分类

图像筛查

• 定义
  将一个或多个检查图像作为输入, 通过训练好的模型对其预测, 输出一个表示是否患某种疾病或严重程度分级的诊断变量。

• 渠道
  这些算法通常利用多模态图像作为输入，提取MRI、PET等模态中的互补特征信息。

• 已有应用

1. 采用CNN自动学习区分性特征，对乳房X线照片病变分类；
2. Spampinato等应用深度 CNN 自动评估骨骼骨龄；
3. 利用CNN 提取裂隙灯图像中的低层局部特征信息,结合RNN进一步提取高层特征，对核性白内障进行分级。

目标/病灶分类

• 定义
  辅助医生对疾病进行诊断。

• 渠道
  通过预处理方法识别或标记出的特定区域,然后再对特定区域进行目标或病灶分类。

• 已有应用

1. 采用多处理流CNN对皮肤病灶分类,其中每个流程处理不同分辨率的图像；
2. 利用CNN提取不同层次的深度特征,提高了乳腺癌的分类准确率。

• 相关比较

3. 大规模训练人工神经网络(Massive-training artificial neuralnetworks, MTANNs) 与 CNN 这两种端到端训练的人工神经网络的性能,其实验结果表明,只有使用较少训练数据时,MTANN的性能明显高于 CNN。

医学图像定位与检测

相关概念

• 医学图像定位常需要分析3D体素信息。
• 为了使用经典深度学习算法进行3D数据处理,一些方法将3D空间看成2D正交面的组合,这样可将定位任务转换成为分类任务,利用通用深度学习框架进行处理。

TO BE CONTINUED