用于多模态医学成像的图卷积网络：方法、架构与临床应用
图像与视频处理
2022-04-22 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
基于图像的特征刻画与疾病理解涉及跨生物尺度的形态、空间与拓扑信息的综合分析。图卷积网络（GCNs）的发展创造了通过图驱动架构应对此种信息复杂性的机会，因为 GCNs 能以卓越的灵活性与效率进行特征聚合、交互与推理。这些 GCNs 能力催生了医学影像分析研究的新浪潮，其总体目标是改进量化疾病理解、监测与诊断。然而，在为多模态医学成像设计重要的图像到图转换，以及深入理解模型解释与增强临床决策支持方面，仍存在艰巨挑战。本综述中，我们呈现近期 GCNs 在医学图像分析（包括放射学与组织病理学影像数据）背景下的发展。我们讨论图网络架构在医学图像分析中快速增长的应用，以改进临床诊断中的疾病诊断与患者预后。为促进跨学科研究，我们介绍 GCNs 的技术进展、新兴医学应用，并指出基于图像的 GCNs 及其在模型解释扩展中使用的常见挑战，以及有望变革医学图像研究范围与相关图驱动医学研究的大规模基准。
引用
@article{arxiv.2202.08916,
title = {Graph Convolutional Networks for Multi-modality Medical Imaging: Methods, Architectures, and Clinical Applications},
author = {Kexin Ding and Mu Zhou and Zichen Wang and Qiao Liu and Corey W. Arnold and Shaoting Zhang and Dimitri N. Metaxas},
journal= {arXiv preprint arXiv:2202.08916},
year = {2022}
}