7、深度学习方法处理非医学大数据和有限医学数据的分析

深度学习方法处理非医学大数据和有限医学数据的分析

1. 引言

医学影像领域中，利用计算机辅助检测（CAD）技术进行诊断是一个重要的研究方向，在诊断放射学方面也取得了不少突破。不过，这些技术需要大量的数据来构建可靠准确的模型。然而，从最新的成像方式中收集大量图像十分困难，尤其是在医学领域。因此，如何充分利用有限的医学图像进行解读和分析，成为了一个重要的研究领域。本文主要聚焦于构建有限医学图像数据集的分类和标注框架，对于有限的医学数据集分类，建议先在丰富的非医学大数据集上训练模型。

2. 处理医学图像的CAD方法和机器学习技术

2.1 CAD技术进展

CADx和CADe技术的进步为医学影像带来了更多贡献，近年来，机器学习技术在CAD系统中的应用也在不断增加。
- 颈动脉疾病诊断 ：有研究提出了一个用于自动分析医学图像的框架，可借助超声图像诊断颈动脉问题，包括自动分割动脉壁、选择感兴趣区域（ROI）斑块、估计和聚类纹理特征以及分析不同图像区域的组织。
- 肺部CT图像分割 ：引入了一种形状分析策略，用于在统一框架下解决各种分割问题，并在许多临床肺部CT图像上进行了测试。
- 3D图像病变分类 ：提出了使用CAD系统对3D图像中的病变进行分类的方法，通过螺旋扫描技术自动分割病变。
- 肺结核检测 ：提出了自动检测胸部X光片中肺结核的方法，可检测纹理、形状和局灶性异常，并将多个检测到的异常子分数组合并归一化为一个单一的肺结核分数。
- CT扫描图