卷积神经网络在生物医学图像上的应用进展(6)
表2 卷积神经网络在医学图像处理中的应用作者Moeskops年份2016应用场景脑组织分割模型骨干CNN CNN作用分割设计要点多尺度Klessiek 2016脑组织分割3D CNN 分割三维卷积、多模态Zhang Havaei Zhao Gulshan 2015 2017 2018 2016脑组织分割(婴儿)脑肿瘤分割脑肿瘤分割糖尿病视网膜病变筛查CNN TwoPathCNN FCN Inception v3分割分割分割分类Yu Playout Fang Sui Schlegl Roy Akselrod-Ballin Almasni Sheng Samala Shen Shen Ciompi Setio Xie Li Xu 2017 2018 2017 2017 2015 2017糖尿病视网膜病变筛查糖尿病视网膜病变筛查视网膜层分割脉络膜层分割视网膜层内病变液体分割视网膜层内病变液体分割分类分割分割分割分割分割数据集5个不同年龄组的数据集IBSR LPBA40 OASIS 10名健康婴儿脑部的MR图像BRAT S 2013 BRATS 2013 EyePACS-1 Messidor-2 E-Ophtha DIARETDB1 60个OCT卷数据集健康和黄斑水肿图像数据集157个OCT卷Duke SD-OCT 2016 2018 2020 2016 2015 2017 2015 2016 2019 2020 2020乳腺肿瘤检测乳腺肿瘤检测乳腺肿瘤分类乳腺肿瘤分类肺结节分类肺结节分类肺结节分类肺结节分类肺结节分类肺结节分类COVID-19检测850张乳腺X光片DDSM INbreast DBT-UM LIDC-IDRI LIDC-IDRI NELSON中心数据集LIDC-IDRI LIDC-IDRI LIDC-IDRI 30个CT样本Gozes Shan Lee 2020 2020 2017 COVID-19检测COVID-19检测骨龄预测CNN U-Net CNN CNN CNN U-Net Faster RCNN YOLO CNN CNN CNN CNN OverFeat CNN U-Net ResNet-50 ResNet-50 3D CNN ResNet-18 U-Net ResNet-50 V-Net GoogLeNet检测检测分类分类分类分类分类分类分割分类分类分割分类分割分类分割分类Spampinato 2017骨龄预测157名患者CT样本300个患者CT样本4 278张女性和4 047张男性手部X光片1 391例儿童手部X光片Iglovikov 2018骨龄预测Chen 2015脊椎锥体检测BoNet U-Net VGG CNN分类分割分类分类Lessmann Lopez Esteva 2019 2017 2017脊椎锥体检测皮肤病诊断皮肤病诊断3D U-Net VGG-16 Inception v3分割分类分类多模态多尺度多视图迁移学习预处理(形态学方法分割出病变候选点,CNN进行分类)多输出后处理(图搜索细化边界)多尺度多尺度改进损失函数解决类别不平衡问题预处理(去除胸肌获得纤维腺体区域)迁移学习注意力机制、RNN迁移学习多尺度多尺度迁移学习,多视图多视图多视图多模态、多模型集成三维卷积、注意力机制预处理(使用U-Net 获取肺部区域,避免其他器官影响)三维卷积、残差连接利用注意力机制可视化特征区域后处理(利用CNN 模型输出概率进行回归预测)预处理(U-Net 去除背景获得手部区域,VGG进行预测)预处理(使用随机森林定位锥体候选区域)三维卷积迁移学习迁移学习RSNA 2017 MICCAI 2014椎骨定位于鉴定MICCAI 2014椎骨定位于鉴定ISIC6皮肤镜图库ISIC6皮肤镜图库Dermodi
OCT 可以非侵入地实时获得活体高分辨率横截面图像,在视网膜成像领域有广泛的应用。与其他眼科图像相比,OCT 图像的对比度低、噪声大,这给OCT 图像分析任务带来重大挑战。一般地,OCT图像分析主要包括组织分割(如视网膜层分割)以及病理分割(如视网膜渗出液体分割)。准确量化OCT 图像中视网膜层的厚度不仅能够增强对病变程度和病理进程的理解,更能够帮助确定影响疾病进展的潜在因素。在这方面,Fang等[49]将CNN 模型和图搜索的方法结合,该方法使用CNN 预测的概率图取代传统的梯度图,再通过图搜索方法进一步确定视网膜层之间的边界实现视网膜层的分割。在由60 个OCT 卷组成的数据集上,其方法的平均视网膜层厚度偏差和标准差分别低至1.26 和1.24 个像素。脉络膜由于边界模糊、结构不均匀、厚度变化大等因素使得脉络膜分割任务存在一定的难度。为了解决这一问题,Sui等[50]将多尺度CNN和图搜索方法相结合。该方法首先构建脉络膜两个边界的边缘权重图,再使用多尺度CNN 预测脉络膜图像的边权值,最后利用图形搜索算法进一步分割边界。最终,在健康和患有黄斑水肿的图像数据集中脉络膜平均厚度及偏差分别为7.3和11.1个像素。渗出液是由视网膜毛细血管引起的渗漏在视网膜空间内积聚导致的中央视网膜肿胀,是引发老年黄斑变性、糖尿病性视网膜疾病等患者视力减退的主要原因。Schlegl等[51]使用多尺度CNN以逐图像体素分类的方式实现了OCT中视网膜下液和视网膜内液的分割,在157个临床高分辨率OCT卷验证得到的准确率分别为89.61%、91.98%。Roy 等[52]在U-Net 的基础上,在编码器部分使用矩形卷积核来与OCT 图像尺寸保证一致从而确保最后一个编码块的感受野可以包含整个图像。此外,该方法还使用带权重的多类logistic损失函数和Dice损失函数来改善类不平衡问题。最终,在Duke SD-OCT[53]数据集上分割各视网膜层的Dice值达到0.94,分割渗出液的Dice值也达到0.77。
文章来源:《生物医学工程学杂志》 网址: http://www.swyxgcxzzzz.cn/qikandaodu/2021/0619/606.html