12、医学图像分析中的深度学习方法

医学图像分析中的深度学习方法

在医学图像分析领域，不同类型的图像需要采用不同的分析方法。本文将介绍两种重要的深度学习方法，一是用于生物医学图像分析的深度主动自定进度学习（DASL）策略，二是用于纹理医学图像分析的两阶段特征转移学习方法。

深度主动自定进度学习（DASL）策略

在生物医学图像分析中，DASL策略是一种新颖的方法。研究人员提出了基于区域的实例级肺结节分割框架以及用于糖尿病视网膜病变识别的分类框架，并在两个任务中分别对DASL进行了评估。

实验在私有数据集上对不同算法进行了比较，结果如下表所示：
| 算法 | Kappa | 准确率 |
| — | — | — |
| 基线算法 | 0.786 | 0.843 |
| 两阶段算法 | 0.804 | 0.849 |
| 拼接算法 | 0.823 | 0.854 |
| AFN算法 | 0.875 | 0.873 |

从表中可以看出，AFN算法在Kappa和准确率上都表现出色。

研究人员还评估了AFN和DASL策略的组合。在实验中，设置α和λ0均为0.01，并使用不同数量的初始标注样本（2k、3.5k和5k，分别占训练集的6.25%、7.81%和15.6%）进行了三组实验。结果表明，尽管主动学习（AL）选择的样本数量较少（实验中N = 400），但AL有助于实现更高的Dice值。而且，DASL策略使模型能够使用少量标注样本达到0.784的Kappa分数。

纹理医学图像分析的两阶段特征转移学习

医学图像分析可大致分为结构图像分析和纹理图像分析。大多数成功的深度卷积神经网络（DCNNs