《ASurveyonDeepLearninginMedicalImageAnalysis》
abstract
深度学习算法尤其是卷积神经网络，很快成为医学图像分析的一种方法。这篇综述回归了与医学图像分析相关的深度学习概念，总结了该领域00多篇paper，其中大多数都是最近才发表的。本文调查了基于深度学习的图像分类、对象检测，分割，注册，以及其他任务。对每一个应用领域的研究提供简要的综述：神经、视网膜、肺、数字病理学、乳腺、心脏、腹部、肌肉骨骼。在筛选过程中剔除了那些没有给出结果的，或者只拿手工提取特征使用正向传播神经网络的文章。有些重叠的文章，只选择了最重要的。这篇综述统计截止时间：07年月日。
section介绍了应用在MIA（医学影像处理）的主要深度学习方法
这一部分的目标是介绍深度学习的概念，技术和体系结构的定义，本文调研的医学图像分析论文所涉及到的。在医学图像处理领域CNNs应用最广泛，RNNs应用也越来越多。
LeNet()，AlexNet(0);
04:VGG9,GoogLeNet(Inception)
05:ResNet
Since04,theperformanceontheImageNetbenchmarkhassaturatedanditisdifficulttoassesswhetherthesmallincreasesinperformancecanreallybeattributedto’better’andmoresophisticated(复杂的）architectures.
自从04年后，ImageNet数据集的性能已经饱和，无论更好或者更为复杂的CNN架构，想要取得更好一点的性能都变得很难。
Theadvantageofthelowermemoryfootprint（内存占用较低）thesemodelsprovideistypicallynotasimportantformedicalapplications.
这些模型提供的低内存占用优势在医疗领域并不是那么重要。
Consequently（因此）,AlexNetorothersimplemodelssuchasVGGarestillpopularformedicaldata
医学数据使用简单的模型更为普遍，比如VGG和AlexNet,不过最近的研究使用的GoogLeNet(Inceptionv)。其原因是GoogLeNet是一个更好的模型，还是因为一些流行的软件包默认选择GoogLeNet架构。
.DeepLearningUsesinMedicalImaging..Classification...Image/examclassification图片/检验分类
检测分类CNNs是当前比较突出的技术，尤其是那些在自然图片已经训练好的模型，他的准确度已经超过人类的水平
...Objectorlesionclassification目标或病变分类
与检测分类相比，病变分类较少使用预先训练过的网络，这主要是由于需要引入上下文或三维信息。一些作者找到了创新的解决方案，将这些信息添加到深网络中取得了良好的效果，因此，我们希望在不久的将来，深入学习在解决此类问题将变得更加突出。
..Detection检测...Organ,regionandlandmarklocalization器官、区域和地标定位
Anatomical（解剖）objectlocalization(inspaceortime),suchasorgansorlandmarks,hasbeenanimportantpreprocessingstepinsegmentationtasksorintheclinicalworkflowfortherapyplanningandintervention.LocalizationinmedicalimagingoftenrequiresparsingofDvolumes.TosolveDdataparsingwithdeeplearningalgorithms,severalapproacheshavebeenproposedthattreattheDspaceasa治疗白癜风的药品白癜风治疗方法哪种好
转载请注明：http://www.shiwangmoa.com/smsl/2191.html
当前位置： 视网膜病变 > 视网膜色素治疗 > 深度学习应用于医学图像分析中综述
