医学图像分析最新综述：走向深度

点击我爱计算机视觉标星，更快获取CVML新技术

---

今日在arXiv平台发布了一篇名为《Going Deep in Medical Image Analysis: Concepts, Methods, Challenges and Future Directions》的综述性论文。该研究由澳大利亚埃迪斯科文大学的研究团队完成，并对深度学习在医学图像分析领域的应用概念、当前常用的分析方法及其相关数据集进行了系统性综述，并探讨了当前面临的挑战以及未来的发展方向

其借鉴了近3年数百篇文献,非常值得医学影像处理领域的学者与工程技术人员参考

深度学习基础

该论文首先系统阐述了深度学习的基础概念，并深入探讨了本领域的主要技术手段。其中涉及基于深度学习的知识体系构建（包括深度学习网络架构、基本组成单元、卷积神经网络模型以及循环神经网络模型等技术路线）。

深度神经网络架构，包含输入层、输出层，与多个隐含层。

单个神经元数学计算模型示例：

卷积操作示例：

网络中卷积层计算图示：

RNN模型图示：

技术分类与文献索引

作者根据医学图像分析的不同技术分支及其实际应用领域，并结合所使用的数据集进行分类整理出下图。

医学图像分析涵盖识别人体器官结构的任务包括组织定位与边界提取以及组织分割对齐与校准等核心环节。常见的医学影像类型涉及脑部扫描（Brain）、胸部X光片（Breast）、眼底检查（Eye）、胸部CT（Chest）以及腹部超声波成像（Abdomen）等多种影像学检查方法。

研究者将近年来发表的新文献按照谷歌学术平台提供的索引结果进行排序，并详细列出了每个技术领域中最具影响力的文献。（由于刚刚过去一年（指2018年），数据尚未完善因而未包含当年的文章）

在此文献集合中被引用为索引文献的有若干篇重要文章。如需深入了解相关研究，请关注文章末尾处提供的完整论文链接

检测/定位方向的高引文献：

分割方向的高引文献：

配准方向的高引文献：

分类方向的高引文献：

数据集

医学影像的数据往往比较难以获取，数据规模也比较小。

作者将该领域常用数据集总结列表如下：

下载网址及方法请参考原论文。

面临挑战

作者简述了深度学习用于医学图像分析面临的挑战，主要有：

1.缺少精确的标注数据。医学领域对标注的要求更高。

2.样本不平衡。正负样本往往数量差异较大。

3.预测结果置信度信息缺失。医学领域对模型可解释性的要求更高。

未来方向

1.解决小样本问题。一些有效的解决方案包括基于迁移学习的方法、数据增强技术以及利用GAN生成样本的方法。

整合多样化的数据资源。医疗领域通常不仅依赖单一影像信息作为诊断依据，在病历资料的基础上开展多模态学习研究同样值得关注

深入关注其他领域的最新进展。这些新领域的研究可能有助于促进医学图像分析的发展。

论文地址：

https://arxiv.org/abs/1902.05655v1

通过在"我爱计算机视觉"这一公众号的交流界面提交"医图综述"信息,您将能够轻松获取该论文的百度云下载链接。

加群交流

医疗图像处理识别在国内相关的交流平台不多，并不高阶的技术方向也鲜有深入探讨；为了帮助大家更好地了解这一领域的发展动态与技术要点，《深度学习与计算机视觉前沿》（简称52CV）社群应运而生。扫描二维码并添加用户邀请您加入

（请务必注明:医疗图像）

**

**

喜欢在QQ交流的童鞋，可以加52CV官方QQ群：928997753。

（不会时时在线，如果没能及时通过验证还请见谅）

---

长按关注我爱计算机视觉