A review of deep learning in medical imaging: Image traits, technology trends, case studies with ...

Paper閱讀記錄：A review of deep learning in medical imaging: Image traits, technology trends, case studies with  progress highlights, and future promises.

Abstract

本文強調了醫學成像的臨床需求和技術挑戰，并描述了深度學習的新趨勢如何解決這些問題。本文的topic包括：

• network architecture
• sparse and noisy labels
• federating learning
• interpretability
• uncertainty

另外，本文介紹了在：digital pathology and chest, brain, cardiovascular, and abdominal imaging上的研究。

Overview

• 醫學圖像占據了醫療保健資料的90%；
• 醫學圖像的特質：多模态，資料源受限于隐私和政策較為異構和孤立，疾病衆多，标簽稀疏且含較大噪聲，樣本不均衡，圖像處理分析任務複雜；

• 臨床需求和應用：醫學影像是疾病診斷過程的重要部分。Decision Support: Detection of pathological findings, Quantification of disease extent, Characterization of pathologies. (簡單總結就是：檢測、分割和分類)
• 關鍵技術：圖像重建、圖像增強、圖像分割、圖像配準、計算機輔助檢測和診斷、其他技術等；
• 曆史展望：2015~2016  Transfer Learning；2017~2018  Synthetic Data Augmentation;
• 深度學習方法：更深的網絡（更大的容量和更強的泛化能力）；對抗網絡和注意力機制；神經網絡搜尋（NAS）和輕量化設計；标注效率相關的方法（transfer learning, domain adaptation, self-supervised learning, semi-supervised learning, weakly/partially supervised learning）；遷移學習；域适應；自監督學習；半監督學習；弱監督學習；無監督學習和disentanglement；Embedding knowledge into learning；聯邦學習（Federated learning）；Interpretability；Model-based interpretability：

CASE STUDIES

• 介紹了肺部疾病相關的研究；（肺炎/肺葉分割等）
• 介紹了腦神經影像研究；neuroimaging
• 心血管圖像研究；cardiovascular imaging
• 腹部影像研究；abdominal imaging
• 電子顯微鏡影像研究；microscopy imaging

以上，論文從宏觀角度講解了各類模态影像的特點、研究任務、Challenge、部分方法，對各case的研究領域可以有一定了解。後續再詳細檢視CASE STUDIES。