Lee J G, Jun S, Cho Y W, et al. Deep Learning in Medical Imaging: General Overview[J]. Korean Journal of Radiology, 2017, 18(4): 570-584.
1. Overview
论文综述了深度学习技术的历史、发展和应用(涉及到医学图像)。
1.1. AI三种方法
- Symbolism
- Connectionism
- Bayesian
1.2. 算法
- 分类. Bayesian模型、SVM、集成学习(结合不同分类算法)
- 回归. SVR
- ANN. DNN
- Unsupervised restricted Boltzmann machine. Hinton, 解决DNN的局部最优、过拟合问题。以无监督方式生成数据特征
- CNN. RNN
1.3. Trick
- Data Augmentation
- 预训练权重
能够在100 cases per class得到较好地结果。
1.4. 突破
- ReLu
- Dropout
- Data augmentation
2. 放射学应用
2.1. Segmentation
- lungs(肺)
- tumor(肿瘤)
- structure in brain
- biological cells(生物细胞)
- membranes(薄膜)
- tibial cartilage(胫骨软骨)
- bone tissue(骨组织)
- cell mitosis(细胞有丝分裂)
2.2. Registration
医学图像配准. 同一患者几幅图像放在一起分析时,首先要做图像严格对齐。医学图像配准是指对于一幅医学图像寻求一种 (或一系列 )空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。
方法
- Patch Based
- Entire Image
3. Automatic Labeling and Captioning
3.1. 数据集
- Caption. Flickr8k, Flickr30k, MS COCO
- Publicly available radiology dataset of chest radiographs
4. Reading Assistant and Automatic Dictation
Automatic radiological dictation system.
5. 深度学习应用到放射学的局限性
- 要求高质量数据,数据量太小容易过拟合
- 无法得到通用方法. 世界各地成像设备、协议以及疾病流行率的差异
- 法律伦理问题
- 事故责任承担问题