《A survey on deep learning in medical image analysis》论文阅读

Geert Litjens ∗, Thijs Kooi , Babak Ehteshami Bejnordi , Arnaud Arindra Adiyoso Setio , Francesco Ciompi, Mohsen Ghafoorian, JeroenA.W.M. van der Laak, Bram van Ginneken, Clara I. Sánchez

Survey Paper
总结了所有医学图像分析中使用的深度学习算法
确定了最成功的的关键图像分析任务算法
总结了三百篇将深度学习应用于不同应用的论文

摘要

深度学习算法，特别是卷积网络，已迅速成为分析医学图像的首选方法。本文回顾了与医学图像分析相关的主要深度学习概念，总结了300多个对该领域的贡献，其中大部分都出现在去年（2016）。我们调查了深度学习在图像分类，对象检测、分割、匹配和其他任务中的使用。每个应用领域的研究提供简明概述：神经、视网膜、肺、数字病理、乳房、心脏、腹部、肌肉骨骼。最后，我们总结了当前最先进的技术，对未来研究的开放性挑战和方向进行了批判性讨论。

关键词：深度学习；卷积神经网络；医学影像；调查

---

1. 介绍

一旦可以将医学图像扫描并加载到计算机中，研究人员就可以构建自动分析系统。最初，从20世纪70年代到90年代，医学图像分析是通过顺序应用低级像素处理（边缘和线检测器滤波器、区域增长）和数学建模（拟合线、圆和椭圆）来构建复合规则的。解决特定任务的系统。有一种用专家系统来类比很多在同一时期的人工智能中很流行的if-then-else语句。这些专家系统被描述为GOFAI（良好的老式人工智能）并且通常很脆弱；类似于基于规则的图像处理系统。

在20世纪90年代末，使用训练数据开发系统的监督技术在医学图像分析中变得越来越流行。示例包括活动形状模型（用于分割），图谱方法（其中适合于新数据的地图集形成训练数据），以及特征提取和统计分类器的使用（用于计算机辅助检测和诊断）的概念。这种模式识别或机器学习方法仍然