原文发布在我的幕布里
医疗图像识别论文:
Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning?
下载地址
:https://arxiv.org/pdf/1706.00712.pdf
-
传统方法:依靠图像内容的图像检索方式(Content-based image retrieval
CBIR)CBIR-
基于色彩的索引技术
-
基于纹理的图像分类技术
-
基于形状的图像分类技术
-
-
神经网络方法
-
Coates等人所描述的单层网络结构学习框架:
- Paccanaro, A., Hinton, G. E. (2001). Learning hierarchical
structures with linear relational embedding. In Advances in neural
information processing systems (Vol. 14). Cambridge: MIT Press.
- Paccanaro, A., Hinton, G. E. (2001). Learning hierarchical
-
Cruzroa等人提出基于稀疏自动编码器的深度学习模型,用于基底细胞癌的自动化肿瘤检测
- Cruzroa A, Gilmore H, Feldman M, et al. Automatic detection of
invasive ductal carcinoma in whole slide images with
convolutional neural networks[J]. Proceedings of SPIE - The
International Society for Optical Engineering, 2014,
9041(2):139-144.
- Cruzroa A, Gilmore H, Feldman M, et al. Automatic detection of
-
.Zou使用卷积神经网络对WCE图像中的消化器官进行分类
- Zou Y, Li L, Wang Y, et al. Classifying digestive organs
in wireless capsule endoscopy images based on deep
convolutional neural network[C]// IEEE International Conference
on Digital Signal Processing. IEEE, 2015:1274-1278.
- Zou Y, Li L, Wang Y, et al. Classifying digestive organs
-
Chen运用基于卷积神经网络的深度学习框架对青光眼进行识别
- Chen X, Xu Y, Yan S, et al. Automatic Feature Learning for Glaucoma
Detection Based on Deep Learning[M]//Medical Image Computing and
Computer-Assisted Intervention – MICCAI 2015. Springer International
Publishing, 2015:669-677.
- Chen X, Xu Y, Yan S, et al. Automatic Feature Learning for Glaucoma
-
息肉与结肠镜检测
A.息肉检测
-
1.结肠镜检查是结肠癌筛选和预防的首选技术
-
2.息肉在颜色、形状、和大小方面有差异
-
3.息肉检查的错误率估计为4%~12%【43】,但是最近的临床显示,误检率可能高达25%。大肠癌的误检可能导致后续的转移性结肠癌,存活率低于10%
-
4.早期的系统依赖于息肉的颜色与纹理进行检测,但是息肉之间较大的颜色变化跟表面纹理的可见性受限,会阻碍这个系统的适用性
-
5.近期的系统依赖于时间信息与形状信息,提高息肉检测。外形的特征被证明比颜色跟纹理更加有效。这个方法在【42】达到高潮
-
[42]N.Tajbakhsh,S.Gurudu,andJ.Liang,“Automatedpolypdetectionincolonoscopyvideosusingshapeandcontextinformation,”IEEETrans.Med.Imag.,vol.35,no.2,pp.630–644,Feb.2016.
-
6.为了试图克服仅依靠形状的方法的限制,我们建议使用结合形状和息肉边界进行手工雕琢(制作)的方法
-
7.实验:
-
(1)选用40个短纤维结肠镜视频作为数据库,每个结肠镜检查帧带有一个二进制(二元)的正确标注的图像
-
(2)随机分为训练集:3800帧有息肉的,15100帧无息肉的
-
测试机:5700帧有息肉的,13200帧无息肉的
-
(3)将【42】的handcraft方法用于训练集与测试集中获得一组有相应的边框的息肉候选
-
(4)对于每个候选,考虑到边框的大小,抽取了一组数据做了增强数据的补丁:(a)在三个刻度(scale)内扩大1.0X、1.2X、1.5X倍提取补丁。(b)水平垂直方向调整10%(c)转换候选位置通过水平和垂直的镜像和翻转,重复8次
-
8如果边框落在正确样本中标记为+,否则标记为-
-
9.息肉补丁提取的用于训练CNN
-
10.更多的卷积层被被调节,效果越好1-5conv,678-fc
-
11.当样本数量较少时使用微调的效果会明显好于全训练
-
B结肠镜的检查帧分类
-
1.图像价值评价在结肠镜检查中有重要作用
-
2.一个结肠镜视频通常包含很多无用信息的图片:对检查和治疗无用
-
3.一个视频中的无用图片越多,结肠镜的可视化质量越低
-
4.通过检测捕获图像的质量来限制低质量的检查和品质控制
-
5.结肠镜检查的图像质量评价能被看作一个图像分类任务:把一个图像分为“有信息”和“无信息”fig(5)
-
6.【65】提出了一种基于本地的与全球图像联合的误差重构特征,优于【66】【67】
-
a handcrafted approach based on local andglobal features that were pooled
from the image reconstruction error -
7.使用深层的CNN代替精心设计
-
8.实验:六个完整的结肠镜视频
-
(1)每个视频每5秒选取一帧:去除相似的帧
-
(2)取得4000个结肠镜帧,对于有无信息无差别取样
-
(3)通过专家手工标注有无信息
-
(4)分为2000个训练集与2000个测试集
-
(5)从每个500*350的帧中随机选取200个227*227的子图像——40000
-
(6)每隔帧判断为“有信息”的概率是子图像的平均概率
-
9.性能对比