深度学习在医学影像中的研究进展及发展趋势

王丽会,秦永彬

State of the art and future perspectives of the applications of deep learning in the medical image analysis

Lihui WANG,Yongbin QIN

表1 深度学习配准的代表性模型总结

模型类型 配准类型 数据集 变形场来源 器官 模型 评价指标 文献 有监督配准模型 刚体配准 内部数据集 合成形变场 骨骼X-ray CNN mTREproj:0.282 mm [69-70] 刚体配准 内部数据集 合成形变场 脊柱CT和X-ray PDA TRE:5.65 mm [61] 非线性配准 LBPA40、ISBR18、CUMC12、MGH10 真实形变场 脑部MR 3D-CNN [62] 非线性配准 内部数据集 真实形变场 前列腺超声和MR CNN TRE=8.5 mm [63] Dice=0.86 非线性配准 ACDC dataset 分割监督 心脏MR CNN Dice=0.865 [64] 非线性配准 内部数据集 标签监督 前列腺CT和MR CNN ASD=1.58 mm [65] Dice=0.873 非线性配准 IBSR18、CUMC12、MGH10、IXI30 双监督学习形变场 脑部MR BIRNet Dice>0.728 （分脑区比较） [66] 无监督配准模型 非线性配准 ADNI、OASIS、ABIDE、ADHD200、MCIC、PPMI、HABS、Harvard GSP 脑部MR VoxelMorph Dice=0.78 [69] 非线性配准 Mindboggle101 脑部MR FAIM Dice=0.533（左上顶叶） [71] 非线性配准 ADNI 脑部MR ICNet Dice=0.88 [72] ASD=0.71 mm HD=12.71 mm（白质） 非线性配准 内部数据集 脑部MR ADMIR Dice=0.91 [73] HD=2.68 ASD=0.59 非线性配准 内部数据集 前列腺MR和超声 AirNet TRE=3.48 mm [74] 非线性配准 内部数据集、Sunybrook 视网膜图像、心脏MR GAN Dice=0.887/0.79HD=8.0/5.12 [75] （视网膜/心脏） 非线性配准 VISCERAL Anatomy3 benchmark 全身MR、CT GAN Dice=0.757 （胸部）Dice=0.783（腹部） [76]