MRI中局灶性脑病理分割的深度学习趋势
计算机视觉与模式识别
2017-01-25 v3
摘要
对局灶性（局限性）脑病理如脑肿瘤以及由多发性硬化和缺血性卒中引起的脑损伤的分割，对于医学诊断、手术规划和疾病发展以及其他应用如纤维束成像是必要的。多年来，出于临床和研究原因，已尝试使该过程自动化。在这方面，机器学习方法长期是关注焦点。在过去两年中，医学成像领域见证了通常称为深度学习的机器学习特定分支使用的兴起。在非医学计算机视觉领域，基于深度学习的方法已在许多数据集上获得最先进的结果。计算机辅助诊断的近期研究已显示深度学习方法（尤其是卷积神经网络——CNN）产生有前景的结果。在本章中，我们提供应用于医学成像的CNN方法综述，重点关注脑病理分割。特别地，我们讨论它们的特征特性以及最适合分割医学图像的特定配置和调整。我们还强调了深度学习方法与其他机器学习方法固有的差异。
引用
@article{arxiv.1607.05258,
title = {Deep learning trends for focal brain pathology segmentation in MRI},
author = {Mohammad Havaei and Nicolas Guizard and Hugo Larochelle and Pierre-Marc Jodoin},
journal= {arXiv preprint arXiv:1607.05258},
year = {2017}
}
备注
Published in Machine Learning for Health Informatics