通过深度神经网络进行体积医学图像分割以催化临床诊断流程:过去、现在与未来
图像与视频处理
2021-05-14 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
过去十年间,深度学习在自然图像处理和计算机视觉领域产生了显著影响。因此,人们极大兴趣于在相关领域(如医学图像分析)中尚未解决的任务是复制这一成功。医学图像分析的核心是语义分割任务,其支撑多种临床工作流。由于手动分割固有的挑战,数十年来研究致力于发现可扩展的、自动化的、专家级的分割技术。鉴于近期基于神经网络的技术所展现的突破性性能,深度学习似乎有望实现经典方法历史上未能达成之事。本文将简要概述一些最先进的(state-of-the-art, SoTA)基于神经网络的分割算法,特别侧重最新架构,比较并对照各网络拓扑的贡献与特征。以超声成像作为激励示例,本文还将展示有效深度学习解决方案的重要临床意义,阐明该模态特有的挑战,并讨论为应对这些挑战而开发的新方法,最后提出该领域的未来方向。鉴于最佳深度学习方法普遍表现出的短暂性(即 SoTA 的极快更替),本文的主要贡献在于将现代深度学习架构置于历史背景中加以语境化,并阐明体积医学图像分割研究的当前轨迹。
引用
@article{arxiv.2103.14969,
title = {Catalyzing Clinical Diagnostic Pipelines Through Volumetric Medical Image Segmentation Using Deep Neural Networks: Past, Present, & Future},
author = {Teofilo E. Zosa},
journal= {arXiv preprint arXiv:2103.14969},
year = {2021}
}
备注
Review paper written for the UCSD PhD Research Mastery Exam; June 7, 2019