2、深度学习在医学图像检测中的应用

深度学习在医学图像检测中的应用

1 扫描式系统

扫描式系统依赖区域建议步骤生成图像块，随后依据其包含的对象进行分类。

1.1 Faster R - CNN

在Faster R - CNN中，每个滑动窗口位置会生成k个区域建议。回归层有4k个输出，用于编码k个框的坐标；分类层输出2k个分数，是一个二分类softmax层，给出每个建议是对象或非对象的概率。该模型结合了Fast - RCNN和区域建议网络（RPN），RPN与Fast - RCNN共享卷积特征进行端到端训练，从而降低了测试时的计算成本。训练方案需在区域建议任务的微调与对象检测的微调之间交替进行，同时保持建议固定。

1.2 R - FCN

基于区域的全卷积网络（R - FCN）采用两阶段对象检测策略，使用ResNet作为骨干架构，而非VGG。其所有可学习层均为卷积层，且在整个图像上共享。

1.3 医学领域应用

在医学领域，先进行单独的区域建议步骤，可使用专门为特定任务或图像模态设计的区域建议算法，然后仅针对分类步骤训练CNN。例如：
- Savardi等人利用溶血对血膜产生的物理效应（导致光变化）的知识，设计区域建议算法，提取更可能对应溶血区域的图像块。
- Setio等人使用专门为实性、亚实性和大肺结节设计的候选检测器。
- Teramoto等人结合PET和CT，使用针对每种图像类型的区域建议算法来检测肺结节。

2 端到端系统

端到端学习是通过对整个系统应用基于梯度的学习来训练可能复杂的学习系统。这些方法使用单个模型进行训练和推理的完全反向传播，直接将输入图