深度学习在医学影像中的应用综述

发布时间：2022-02-09 21:58

　　深度学习能自动从大样本数据中学习获得优良的特征表达,有效提升各种机器学习任务的性能,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域。基于深度学习的医学影像智能计算是目前智慧医疗领域的研究热点,其中深度学习方法已经应用于医学影像处理、分析的全流程。由于医学影像内在的特殊性、复杂性,特别是考虑到医学影像领域普遍存在的小样本问题,相关学习任务和应用场景对深度学习方法提出了新要求。本文以临床常用的X射线、超声、计算机断层扫描和磁共振等4种影像为例,对深度学习在医学影像中的应用现状进行综述,特别面向图像重建、病灶检测、图像分割、图像配准和计算机辅助诊断这5大任务的主要深度学习方法的进展进行介绍,并对发展趋势进行展望。 

【文章来源】：中国图象图形学报. 2020,25(10)北大核心CSCD

【文章页数】：29 页

【部分图文】：

基于深度级联卷积神经网络的动态MR图像重建流程图(Schlemper等,2018)

图2所示为DeepcomplexMRI网络的结构,网络由多个级联的块组成,每个块包括一个CNN单元和一个数据拟合单元。在网络的各层级联之间,获取的欠采样k空间数据用于更新层输出以增强数据的一致性。值得注意的是,CNN单元是一个复数的卷积网络,通过在每个CNN层中引入复数卷积来考虑相关性。1.1.2 基于先验模型的深度学习MRI重建方法

ADMM-Net是一个定义在数据流图上的深度架构(Yang等,2016,2018a)。基于压缩感知MRI模型,图3所示的流程图将成像模型的ADMM迭代过程展开为一种新型网络结构,成像模型和迭代算法的未知参数均转化为该网络的参数。在训练阶段,该算法使用L-BFGS(limited broyden-fletcher-goldfarb shanno)算法对网络中所有参数进行端到端训练。在测试阶段,所学习的ADMM-Net具有类似于ADMM算法的计算开销,但是使用从训练数据中学习到的参数进行基于压缩感知的核磁共振图像重建,即在k空间中以不同的欠采样率进行MRI图像重建。该方法是第一个将模型驱动的ADMM优化算法映射为可学习的深度网络架构的计算新框架。2)卷积去混叠网络用于并行MRI重建。

【参考文献】：
期刊论文
[1]基于半监督生成对抗网络X光图像分类算法[J]. 刘坤,王典,荣梦学.  光学学报. 2019(08)
[2]深度学习在医学超声图像分析中的应用综述[J]. 刘盛锋,王毅,杨鑫,雷柏英,刘立,李享,倪东,汪天富.  Engineering. 2019(02)



本文编号：3617707