算法集锦 | 深度学习如何辅助医疗诊断？

                                                                            图片来源网络

图图今天推荐《中国图象图形学报》2018-2020年13篇医学图像处理论文，这些论文使用深度学习算法，对PET、MRI、CT、超声、病理图像进行研究，分割、检测病灶区域，辅助医疗诊断。

关注我们一起努力

随着数据采集技术的快速发展，生物与医学影像数据的积累速度史无前例，医学影像研究已进入大数据时代。

深度学习具有自动地从数据中学习深层次、更具鉴别性特征的能力，已被应用于医学图像筛查、病灶分类、目标定位与检测、医学图像分割等领域。

                                                                                                              图片来源网络

应用深度学习算法的AI辅助医疗现在已发展到哪一步？深度学习具体可针对哪些医疗影像进行处理？处理效果如何？

图图今天带来的13篇论文（包括2篇综述）涉及以下11个主题：

• 肺部CT图像分割
• PET肿瘤分割

• 脑部MRI分割

• 前列腺MRI分割

• 肩关节MRI分割

• 脑部MRI海马子区分割

• 肝脏CT图像分割

• 视网膜图像血管分割

• 糖尿病性视网膜图像分类

• 眼底图像视盘分割

• 甲状腺结节癌变超声分类

从事相关研究的图粉可以选择性阅读，文末添加小编微信，13篇论文打包送给您~~

01

肺部CT图像分割

快速精确地从CT图像中分割肺部各解剖结构可以获取清晰直观的3维可视化影像，展开解剖结构内部的定量参数测量或结构之间的关联关系分析能提供客观、有效的肺部组织疾病辅助诊断依据信息。

论文系统性地梳理了现有肺组织、肺气管、肺血管、肺裂纹、肺叶或肺段等解剖结构CT图像分割方法的主要流程、方法理论、关键技术和优缺点，讨论了各解剖结构分割的参考数据获取、实验设计方法和结果评价指标。

分析了现有研究在结果精度和鲁棒性方面所面临的挑战性问题，特别详述了当前被重点关注的深度学习方法在本领域的工作进展，同时展望了本领域在分割理论方法和后续处理等步骤的发展趋势，并探索如何在实践中根据分割结果发现新的临床生物标志。

论文标题：肺部CT图像中的解剖结构分割方法综述

引用格式：边子健, 覃文军, 刘积仁, 赵大哲. 2018.肺部CT图像中的解剖结构分割方法综述. 中国图象图形学报, 23(10): 1450-1471

主题词：CT图像; 肺组织分割; 肺气管分割; 肺血管分割; 肺叶分割

全文链接：

http://www.cjig.cn/html/jig/2018/10/20181002.htm

一层胸部CT吸气扫描的横断面示意图

02

PET肿瘤分割

为制定放疗计划并评估效果，精确的PET (正电子发射型断层成像)肿瘤分割在临床中至关重要。

当前，PET图像分割技术的研究仍受到诸多挑战：一方面，PET图像具有低空间分辨率、低信噪比、无明显的灰度差异等问题；另一方面，由于个体差异，肿瘤病灶成像不规则。手动分割可重复性差、繁琐且耗时，上述因素促进了自动分割方法的发展。

论文提出一种基于U-Net的新型框架，使用两个在ImageNet数据集上预训练的VGG19卷积块作为U-Net编码器，可自动分割PET图像中的肿瘤。该模型以端到端的方式进行训练。同时论文对网络模型进行改进，提出DropBlock和Jaccard距离损失函数等策略，确保有限的训练数据能够有效且高效地学习，提高模型的鲁棒性和泛化能力。

论文标题：改进预训练编码器U-Net模型的PET肿瘤自动分割

引用格式：何慧, 陈胜. 2020. 改进预训练编码器U-Net模型的PET肿瘤自动分割. 中国图象图形学报, 25(1): 171-179

主题词：深度学习；正电子发射型断层成像；分割；肿瘤；U-Net

全文链接：

http://www.cjig.cn/html/jig/2020/1/weixin/20200115.htm

论文网络结构
03

脑部MRI分割

磁共振成像（MRI）作为一种典型的非侵入式成像技术，可产生高质量的无损伤和无颅骨伪影的脑影像，为脑肿瘤的诊断和治疗提供更为全面的信息，是脑肿瘤诊疗的主要技术手段。

论文对MRI脑肿瘤图像分割的深度学习方法进行了总结与分析，给出了各类方法的基本思想、网络架构形式、代表性改进方案以及优缺点总结等，并给出了部分典型方法在BraTS（multimodal brain tumor segmentation）数据集上的性能表现与分析结果。

通过对该领域研究方法进行综述，对现有基于深度学习的MRI脑肿瘤分割研究方法进行了梳理，作为新的发展方向，MRI脑肿瘤图像分割的深度学习方法较传统方法已取得明显的性能提升，已成为领域主流方法并持续展现出良好的发展前景，有助于进一步推动MRI脑肿瘤分割在临床诊疗上的应用。

论文标题：MRI脑肿瘤图像分割的深度学习方法综述

引用格式：江宗康, 吕晓钢, 张建新, 张强, 魏小鹏. 2020. MRI脑肿瘤图像分割的深度学习方法综述. 中国图象图形学报, 25(2): 217-230

主题词：磁共振成像; 脑肿瘤; 人工神经网络; 深度学习; 分割

全文链接：

http://www.cjig.cn/html/jig/2020/2/20200201.htm

BraTS 2017训练集中典型MRI脑肿瘤影像示例

卷积神经网络可以提取到图像的深层次信息特征，在脑部MRI分割领域展现出优秀的性能。但大部分深度学习方法都存在参数量大，边缘分割不准确的问题。为克服上述问题，论文提出一种多通道融合可分离卷积神经网络（MFSCNN）模型分割脑图像。

1) 使用深度可分离卷积代替CNN中原始的普通卷积层，减少参数量，提高训练速度。结合残差模块，解决随网络层数增加而出现的梯度消失问题。

2) 对每个卷积单元的输出特征图进行通道合并，作为后续卷积单元的输入，实现深浅层次特征的结合。同时，将拼接后的特征图进行通道混洗增强特征输入的随机性，避免边界效应。

论文标题：多通道融合可分离卷积神经网络下的脑部磁共振图像分割

引用格式：郭彤宇, 王博, 刘悦, 魏颖. 2019.多通道融合可分离卷积神经网络下的脑部磁共振图像分割. 中国图象图形学报, 24(11): 2009-2020

主题词：MR脑部图像分割; 卷积神经网络; 深度可分离卷积; 多通道融合; 通道混洗

全文链接：

http://www.cjig.cn/html/jig/2019/11/weixin/20191115.htm

论文网络结构

论文方法对不同数据集脑结构分割结果

04

前列腺MRI分割

精确的前列腺MRI分割是计算机辅助检测和诊断算法的必要预处理阶，临床上需要一种自动或半自动的前列腺分割算法，为各种各样的临床应用提供具有鲁棒性、高质量的结果。

生成对抗网络(GAN)作为一个灵活且有效的框架正在应用于图像生成、超分辨率重建、目标检测等不同任务。论文提出一种多尺度判别条件生成对抗网络对前列腺MRI图像进行自动分割以满足临床实践的需求。

论文标题：多尺度判别条件生成对抗网络的前列腺MRI图像分割方法

引用格式：何俊, 吴从中, 丁正龙, 许良凤, 詹曙. 2019.多尺度判别条件生成对抗网络的前列腺MRI图像分割方法. 中国图象图形学报, 24(9): 1581-1587

主题词：MRI; 前列腺分割; 生成对抗网络; 生成器; 判别器

全文链接：

http://www.cjig.cn/html/jig/2019/9/weixin/20190916.htm

论文方法对前列腺MRI分割结果

05

肩关节MRI分割

MRI正逐步代替CT进行骨头与关节的检查，肩关节MRI中骨结构的精确自动分割对于骨损伤和疾病的度量与诊断至关重要，现有骨头分割算法无法做到不用任何先验知识进行自动分割，且通用性和精准度相对较低。

论文提出一种基于图像块和全卷积神经网络（PCNN和FCN）相结合的自动分割算法：

1) 采用4种相互关联的CNN分割模型，在MRI中自动检测出感兴趣骨头区域；

2) 在感兴趣骨头区域内，采用PCNN的AlexNet分割模型，分割出像素级别精度的骨头边缘。

论文标题：应用图像块和全卷积神经网络的肩关节MRI自动分割

引用格式：刘云鹏, 蔡文立, 洪国斌, 王仁芳, 金冉. 2018. 应用图像块和全卷积神经网络的肩关节MRI自动分割. 中国图象图形学报, 23(10): 1558-1570

主题词：深度学习; 医学图像分割; 全卷积网络; 核磁共振图像; 骨科诊断

全文链接：

http://www.cjig.cn/html/jig/2018/10/20181011.htm

论文方法精确获取骨头边缘

06

脑部MRI海马子区分割

近年来，深度学习方法取得了极大成功，基于深度网络的方法已应用于医学图像分割中，但海马结构复杂，子区较多且体积差别较大，特别是CA2和CA3子区体积极小，常见的深度网络无法准确分割海马子区。为了解决这些问题，论文提出一种结合多尺度输入和串行处理神经网络的海马子区分割方法：

针对海马中体积差距较大的子区，设计两种不同的网络，结合多种尺度图像块信息，为小子区建立类别数量均衡的训练集，避免网络被极端化训练，最后，采用串行标记的方式对海马子区进行分割。

论文标题：串行处理卷积神经网络的海马子区分割

引用格式：时永刚, 郝华胤, 刘志文.2018. 串行处理卷积神经网络的海马子区分割. 中国图象图形学报, 23(1): 74-83

主题词：海马子区分割; 多尺度; 卷积神经网络; 串行分割; 多图谱

全文链接：

http://www.cjig.cn/html/jig/2018/1/weixin/20180108.htm

论文算法与其他算法的海马子区分割结果对比

海马是大脑颞叶内侧的一个生理组织，对人类的空间定位和长期记忆有重要的作用。大量临床研究表明，海马及其子区体积或形态的变化与很多神经退行性疾病有密切关联。

论文提出一种基于卷积神经网络和支持向量机的海马子区分割方法：使用支持向量机分类器替换卷积神经网络的输出层，通过训练深层网络自动提取图像块特征，利用所提取的图像特征训练支持向量机实现图像的像素级分类。

论文标题：结合深度学习和支持向量机的海马子区图像分割

引用格式：时永刚, 程坤, 刘志文.2018. 结合深度学习和支持向量机的海马子区图像分割. 中国图象图形学报, 2018, 23(4): 542-551

主题词：医学图像处理; 海马子区分割; 卷积神经网络; 支持向量机; 图像特征; 特征提取

全文链接：

http://www.cjig.cn/html/jig/2018/4/weixin/20180409.htm

SVM、CNN和CNN-SVM模型与标准分割结果对比

07

肝脏CT图像分割

由于肝脏解剖学的复杂性，邻近器官的低对比度和病态等原因，肝脏分割在医学图像处理领域仍然是一项具有挑战性的任务。计算机断层扫描(CT)现在已经被广泛应用于肝脏疾病无创诊断。但在CT图像中，因切片位置不同，各个切片中肝的形状大小不同，并且肝的形状因人而异，使得肝脏自动分割困难重重。

论文设计了一种基于改进的U-Net（IU-Net）和Morphsnakes算法的增强CT图像肝脏分割方法：

根据CT图像头文件信息对原始数据进行预处理并构建数据集，使用构建好的数据集训练IU-Net，训练过程中使用自定义的Dice层评测图像分割结果的准确率，通过OpenCV和Morphsnakes对初始分割结果进行精细分割，最终实现增强CT图像中肝脏的精确分割。

论文标题：结合改进的U-Net和Morphsnakes的肝脏分割

引用格式：刘哲, 张晓林, 宋余庆, 朱彦, 袁德琪. 2018.结合改进的U-Net和Morphsnakes的肝脏分割. 中国图象图形学报, 23(8): 1254-1262

主题词：全卷积神经网络; 肝脏分割; 深度学习; 主动轮廓; Morphsnakes

全文链接：

http://www.cjig.cn/html/jig/2018/8/weixin/20180814.htm

不同算法CT图像肝脏分割结果图

08

视网膜图像血管分割

视网膜血管健康状况的自动分析对糖尿病、心脑血管疾病以及多种眼科疾病的快速无创诊断具有重要参考价值。视网膜图像中血管网络结构复杂且图像背景亮度不均使得血管区域的准确自动提取具有较大难度。

随着深度学习技术的不断发展，在计算机视觉和图像处理领域表现出来的优势越发突出，更多的专家学者开始将深度学习技术应用到视网膜血管分割领域中来。

论文受U-Net网络的启发，在原有模型基础上加入稠密连接机制，搭建了适用于视网膜血管分割的端到端的网络模型，实验证明各项性能指标均表现良好。

论文标题：U-net与Dense-net相结合的视网膜血管提取

引用格式：徐光柱, 胡松, 陈莎, 陈鹏, 周军, 雷帮军.2019. U-net与Dense-net相结合的视网膜血管提取. 中国图象图形学报, 24(9): 1569-1580

主题词：视网膜血管分割; 深度学习; 全卷积神经网络; U-net; Dense-net

全文链接：

http://www.cjig.cn/html/jig/2019/9/weixin/20190915.htm

论文方法视网膜图像血管分割结果

09

糖尿病性视网膜图像分类

糖尿病性视网膜病变（DR）是目前比较严重的一种致盲眼病，对糖尿病性视网膜病理图像的自动分类具有重要的临床应用价值。基于人工分类视网膜图像的方法存在判别性特征提取困难、分类性能差、耗时费力且很难得到客观统一的医疗诊断等问题。

论文设计了一种更深层的CNN模型实现对视网膜图像的自动分类。该分类系统由图像预处理阶段、基于迁移学习策略的深度特征提取阶段和自动分类3个阶段组成，可以有效地学习视网膜图像中有判别意义的深度特征，并将学习到的特征输入到分类器中将视网膜图像分为正常、轻微病变、中度病变等5个阶段。

论文标题：糖尿病性视网膜图像的深度学习分类方法

引用格式：李琼, 柏正尧, 刘莹芳.2018. 糖尿病性视网膜图像的深度学习分类方法. 中国图象图形学报, 23(10): 1594-1603

主题词：糖尿病性视网膜图像分类; 卷积神经网络; 深度学习; 迁移学习; 深度特征

全文链接：

http://www.cjig.cn/html/jig/2018/10/20181014.htm

视网膜图像5个阶段的热度图示例

10

眼底图像视盘分割

眼底图像中视网膜视盘分割是一个非常重要的研究问题, 对青光眼、高血压、黄斑病变等疾病的辅助诊断和后期治疗和都具有重要的临床医学意义。

在医学成像中，监督学习算法的成功依赖于大量高质量的手工标签，这些标签的获取通常是非常耗时且代价昂贵的。无监督学习策略是在没有专家对图像进行标注的情况下直接用原始图像进行分类或分割，迄今没有真正意义上的临床实践。

论文提出了用于眼底图像分割的弱监督学习方法：将带尺寸约束的卷积神经网络用于视盘的分割，通过改进传统的神经网络结构，并设计出一种新的损失函数来优化CNN的预测输出。新的损失函数直接用标准的随机梯度下降法就可进行优化。实验证明了该算法在视盘分割上的有效性。

论文标题：带尺寸约束的弱监督眼底图像视盘分割

引用格式：鲁正, 陈大力, 薛定宇. 2019.带尺寸约束的弱监督眼底图像视盘分割. 中国图象图形学报, 24(5): 827-835

主题词：弱监督学习; 视盘分割; 尺寸约束; 卷积神经网络; 眼底图像

全文链接：

http://www.cjig.cn/html/jig/2019/5/weixin/20190515.htm

两种不同方法的实验结果对比图

11

甲状腺结节癌变超声分类

在甲状腺结节图像中对结节进行良恶性分析，对于甲状腺癌的早期诊断有着重要的意义。

论文提出一种基于深度网络和浅层纹理特征融合的甲状腺结节良恶性分类新算法：

1）对超声图像进行尺度配准、人工标记以及图像复原去除以增强图像质量。

2）对增强的图像进行数据扩展，并作为训练集对预训练过的GoogLeNet卷积神经网络进行迁移学习以提取图像中的深度特征。

3）提取图像的旋转不变性局部二值模式（LBP）特征作为图像的纹理特征。

4）将深度特征与图像的纹理特征相融合并输入至代价敏感随机森林分类器中对图像进行良恶性分类。

论文标题：融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断

引用格式：迟剑宁, 于晓升, 张艺菲. 2018.融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断. 中国图象图形学报, 23(10): 1582-1593

主题词：超声图像分类; 甲状腺结节; 计算机辅助诊断; 深度学习; 卷积神经网络; 迁移学习

全文链接：

http://www.cjig.cn/html/jig/2018/10/20181013.htm

基于GoogLeNet和ULBP特征的甲状腺结节分类算法流程

全民抗疫我倡议

研读论文很枯燥？小憩一下，一起重温北宋大家范仲淹的名篇《岳阳楼记》，欣赏王羲之的名帖，体味先贤风骨

先天下之忧而忧后天下之乐而乐

图片来源网络

让我们从经典中

汲取九万里风鹏正举的力量

历练也无风雨也无晴的豁然

待到重阳日

我们还来就菊花点击这里，重读经典

如果您有居家学习的经验要分享，有故事想倾诉，有写作问题想寻求解答，欢迎添加下方学报小编微信，我们在一起。

编辑推荐

本文系《中国图象图形学报》独家稿件

内容仅供学习交流

版权属于原作者

欢迎大家关注转发！

编辑：秀   秀

指导：梧桐君

审校：夏薇薇

总编辑：肖   亮

声  明

欢迎转发本号原创内容，任何形式的媒体或机构未经授权，不得转载和摘编。授权请在后台留言“机构名称+文章标题+转载/转发”联系本号。转载需标注原作者和信息来源为《中国图象图形学报》。本号转载信息旨在传播交流，内容为作者观点，不代表本号立场。未经允许，请勿二次转载。如涉及文字、图片等内容、版权和其他问题，请于文章发出20日内联系本号，我们将第一时间处理。《中国图象图形学报》拥有最终解释权。

齐心抗疫

与你同在

前沿 | 观点 | 资讯 | 独家

电话：[phone]/7418

网站：www.cjig.cn

在看点这里