[1]徐航,随力,张靖雯,等.卷积神经网络在医学图像分割中的研究进展[J].中国医学物理学杂志,2019,36(11):1302-1306.[doi:DOI:10.3969/j.issn.1005-202X.2019.11.011]
　XU Hang,SUI Li,ZHANG Jingwen,et al.Progress on convolutional neural network in medical image segmentation[J].Chinese Journal of Medical Physics,2019,36(11):1302-1306.[doi:DOI:10.3969/j.issn.1005-202X.2019.11.011]
点击复制

卷积神经网络在医学图像分割中的研究进展()
分享到：

《中国医学物理学杂志》[ISSN:1005-202X/CN:44-1351/R]

卷:
36卷
期数:
2019年第11期
页码:
1302-1306
栏目:
医学影像物理
出版日期:
2019-11-25

文章信息/Info

Title:
Progress on convolutional neural network in medical image segmentation
文章编号:
1005-202X（2019）11-1302-05
作者:
徐航1; 随力1; 张靖雯2; 赵彦富1; 李月如1
1.上海理工大学医疗器械与食品学院， 上海 200093； 2.上海交通大学医学院附属仁济医院放射科， 上海 200127
Author(s):
XU Hang1;  SUI Li1;  ZHANG Jingwen2;  ZHAO Yanfu1;  LI Yueru1
1. School of Medical Instrument and Food Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China; 2. Department of Radiology, Renji Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai 200127, China
关键词:
卷积神经网络; 医学图像; 图像分割; 深度学习; 综述
Keywords:
convolutional neural network;  medical image;  image segmentation;  deep learning;  review
分类号:
R318
DOI:
DOI:10.3969/j.issn.1005-202X.2019.11.011
文献标志码:
A
摘要:
卷积神经网络（CNN）是目前计算机视觉和模式识别中效果最为突出的算法。CNN拥有强大的空间识别能力，可以从图像中提取高阶的空间特征，同时通过共用卷积核的方式大幅减少参数量，从而在提升网络性能的同时保持总参数量在一个合理的、可运算的范畴。部分采用无监督学习的CNN算法可以在没有先验知识的条件下实现一定程度的图像语义分割，大幅减少人工读图的负担。本研究就CNN在医学图像分割中的研究进展和使用CNN时的具体技巧及其效果进行综述。以使用CNN为核心的深度学习工具解决医学图像分割的课题为中心，展示了CNN在有监督学习、半监督学习及无监督学习中的巨大潜力，分析比较了现有方案的优点与不足，探讨了未来CNN在医学图像领域的前进方向。
Abstract:
Convolutional neural network (CNN) is regarded as the state-of-the-art algorithm in computer vision and pattern recognition. CNN which is excellent for spatial recognition can extract hierarchical features from images. The number of parameters is greatly reduced by sharing kernels, thus improving the network performance and keeping the number of total parameters in a reasonable and computable range. To some extent, some CNN algorithms based on unsupervised learning can perform semantic segmentation without prior knowledge, releasing the burden of manual works. Herein the research progresses of CNN in medical image segmentation as well as the techniques and outcomes of CNN are reviewed. Focusing on the topic of using deep learning with CNN as core to realize medical image segmentation, the great potentials of CNN in supervised learning, semi-supervised learning and unsupervised learning are introduced. By analyzing and comparing advantages and shortages of existing methods, the prospects of CNN in medical imaging are discussed.

相似文献/References:

[1]张 硕,袁克虹.一种基于SSED的无规则噪声组织的去除方法[J].中国医学物理学杂志,2015,32(01):48.[doi:10.3969/j.issn.1005-202X.2015.01.012]
[2]赵 雷,唐 峰,鲁 雯,等.应用IQF值评价不同显示器的性能[J].中国医学物理学杂志,2014,31(03):4897.[doi:10.3969/j.issn.1005-202X.2014.03.012]
[3]杨 娟,陈兆学,姜 雪,等.基于Mean Shift的三维医学图像交互式分割方法[J].中国医学物理学杂志,2014,31(04):5026.[doi:10.3969/j.issn.1005-202X.2014.04.012]
[4]王双玲,龙成章,刘辉,等.基于双向异步投票策略医学图像特征点匹配[J].中国医学物理学杂志,2016,33(4):423.[doi:10.3969/j.issn.1005-202X.2016.04.020]
　[J].Chinese Journal of Medical Physics,2016,33(11):423.[doi:10.3969/j.issn.1005-202X.2016.04.020]
[5]徐效文,杨志刚.光学相干层析医学图像分割研究现状[J].中国医学物理学杂志,2016,33(7):697.[doi:10.3969/j.issn.1005-202X.2016.07.011]
　[J].Chinese Journal of Medical Physics,2016,33(11):697.[doi:10.3969/j.issn.1005-202X.2016.07.011]
[6]张光玉,鲁雯,徐龙春,等.DICOM格式医学图像显示方法研究[J].中国医学物理学杂志,2017,34(1):32.[doi:10.3969/j.issn.1005-202X.2017.01.007]
　[J].Chinese Journal of Medical Physics,2017,34(11):32.[doi:10.3969/j.issn.1005-202X.2017.01.007]
[7]陶源,王佳飞,杜俊龙,等.基于卷积神经网络的细胞识别[J].中国医学物理学杂志,2017,34(1):53.[doi:10.3969/j.issn.1005-202X.2017.01.011]
　[J].Chinese Journal of Medical Physics,2017,34(11):53.[doi:10.3969/j.issn.1005-202X.2017.01.011]
[8]王小东,赵仁宏,季超,等.基于Sobel算子的医学图像边缘提取算法的DSP编程设计与实现[J].中国医学物理学杂志,2017,34(7):690.[doi:10.3969/j.issn.1005-202X.2017.07.008]
　[J].Chinese Journal of Medical Physics,2017,34(11):690.[doi:10.3969/j.issn.1005-202X.2017.07.008]
[9]赵帅,吕晓琪.基于局部互信息和自动更新的医学图像形变不均匀配准806[J].中国医学物理学杂志,2017,34(8):806.[doi:DOI:10.3969/j.issn.1005-202X.2017.08.010]
[10]刘岩,李幼军,陈萌. 基于固有模态分解和深度学习的抑郁症脑电信号分类分析[J].中国医学物理学杂志,2017,34(9):963.[doi:DOI:10.3969/j.issn.1005-202X.2017.09.021]
　[J].Chinese Journal of Medical Physics,2017,34(11):963.[doi:DOI:10.3969/j.issn.1005-202X.2017.09.021]
[11]薛湛琦,王远军.基于深度学习的多模态医学图像融合方法研究进展[J].中国医学物理学杂志,2020,37(5):579.[doi:10.3969/j.issn.1005-202X.2020.05.009]
　XUE Zhanqi,WANG Yuanjun.Advances in multimodal medical image fusion method based on deep learning[J].Chinese Journal of Medical Physics,2020,37(11):579.[doi:10.3969/j.issn.1005-202X.2020.05.009]

备注/Memo

备注/Memo:
【收稿日期】2019-07-12 【作者简介】徐航，研究生在读，研究方向：医学影像技术，E-mail: Buster_X@live.com 【通信作者】随力，博士，教授，研究方向：神经工程，E-mail: lsui@usst.edu.cn
更新日期/Last Update: 2019-11-28