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2 典型的深度学习医学图像分割方法

数据集 模型 器官 损失 精度 文献 内部数据集 2.5D CNN 脑部、乳腺MR，心脏血管造影图像 交叉熵损失 [77] 2016 MICCAI IVDs挑战赛数据集 3D FCN 椎间盘MR 加权交叉熵损失 Dice=0.912 [78] 2017 MICCAI grand challenge on infant brain MRI Multistream 3D FCN 脑部MR 似然损失 Dice=0.954 [81] ASD=0.127 MHD=9.62 （脑脊液） MICCAI 2009 LV Segmentation Challenge Recurrent FCN 心脏MR 交叉熵损失 Dice=0.90 [82] APD=2.05 TCIA(ProstateX,QINHEADNECK) U-Net 多器官 Combo损失 Dice=0.92 [92] DRIVE、STARE、CHASH_DB1 R2 U-Net 多器官 二值交叉熵损失 Dice=0.86 [85] PROMISE 2012 challenge V-Net 前列腺MR Dice损失 Dice=0.87 [84] HD=5.71 mm DRIVE Dataset、ISIC 2018 Bi-LSTM 多器官 二值交叉熵损失 F1-Score>0.99 [87] MICCAI BRATS 2013,2015 SegGAN 头部MR 多尺度L1范数损失 Dice=0.84/0.85（BRATS 2013数据集/BRATS 2015数据集） [100] INbreast dataset,DDSM dataset cGAN 乳腺钼靶图像 Dice以及对抗损失 Dice=0.94（INbreast） [90]