医学图像分析最新综述：走向深度

---

今天arXiv新上一篇论文《Going Deep in Medical Image Analysis: Concepts, Methods, Challenges and Future Directions》，来自澳大利亚埃迪斯科文大学的研究人员综述了深度学习在医学图像分析领域应用的概念、最近出现的常用方法、数据集、面临挑战和可能的未来方向

其参考了近几年三百多篇文献，值得医学影像处理领域的学者与工程技术人员参考。

深度学习基础

该论文首先从深度学习的基础概念介绍，介绍了该领域的常用方法，包括深度学习网络架构、神经元概念、卷积神经网络、循环神经网络等。

深度神经网络架构，包含输入层、输出层，与多个隐含层。

单个神经元数学计算模型示例：

卷积操作示例：

网络中卷积层计算图示：

RNN模型图示：

技术分类与文献索引

作者按照医学图像分析的技术方向和应用场景（使用的数据集）归纳成下图。

医学图像分析主要包含的模式识别任务是检测/定位、分割、配准、分类。常见的医学影像包括Brain、Breast、Eye、Chest、Abdomen等。

作者将2016、2017年新出的文献按照谷歌学术的索引排序，列出了每个技术领域具有影响力的文章。（因2018年刚过，数据还不完整，所以不包含2018年的论文）

这些文献在本文以索引出现，想要进一步了解的同学可以文末下载原论文参考。

检测/定位方向的高引文献：

分割方向的高引文献：

配准方向的高引文献：

分类方向的高引文献：

数据集

医学影像的数据往往比较难以获取，数据规模也比较小。

作者将该领域常用数据集总结列表如下：

下载网址及方法请参考原论文。

面临挑战

作者简述了深度学习用于医学图像分析面临的挑战，主要有：

1.缺少精确的标注数据。医学领域对标注的要求更高。

2.样本不平衡。正负样本往往数量差异较大。

3.预测结果置信度信息缺失。医学领域对模型可解释性的要求更高。

未来方向

1.处理小数据问题。一些有用的技术包括使用迁移学习、数据增广、GAN样本生成。

2.结合更多数据来源。医学领域往往不仅仅依靠图像来诊断，结合病历资料的多模态学习也值得关注。

3.关注其他领域的工作。关注能对医学图像分析带来启发的其他计算机视觉、机器学习领域的新工作。

论文地址：

https://arxiv.org/abs/1902.05655v1