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。