用于生物医学图像分割的机器学习技术:技术方面综述与前沿应用介绍
图像与视频处理
2019-11-07 v1 计算机视觉与模式识别
机器学习
摘要
近年来,在开发更准确高效的用于医学与自然图像分割的机器学习算法方面取得了显著进展。在本综述文章中,我们强调机器学习算法在医学成像领域实现高效准确分割的关键作用。我们特别关注若干关于机器学习方法应用于生物医学图像分割的关键研究。我们回顾了经典机器学习算法,如马尔可夫随机场、k-means聚类、随机森林等。尽管此类经典学习模型相比深度学习技术通常精度较低,但它们往往样本效率更高且结构较不复杂。我们也回顾了不同深度学习架构,如人工神经网络(ANNs)、卷积神经网络(CNNs)和循环神经网络(RNNs),并给出了过去三年发表中这些学习模型所取得的分割结果。我们强调了每种机器学习范式的成功与局限。此外,我们讨论了与不同机器学习模型训练相关的若干挑战,并给出了应对这些挑战的一些启发式方法。
引用
@article{arxiv.1911.02521,
title = {Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State-of-Art Applications},
author = {Hyunseok Seo and Masoud Badiei Khuzani and Varun Vasudevan and Charles Huang and Hongyi Ren and Ruoxiu Xiao and Xiao Jia and Lei Xing},
journal= {arXiv preprint arXiv:1911.02521},
year = {2019}
}
备注
Accept for publication at Medical Physics