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3 基于深度学习的医学图像分类总结

器官 数据集 方法 目标 精度 文献 肺 LIDC-IDRI、ANODE09 challenge、DLCST 卷积神经网络 结节分类 Sensitivity=0.854 [95] LIDC-IDRI 知识学习 结节分类 AUC=0.957 [109] Chest X-ray 14 注意力卷积神经网络 肺部疾病分类 AUC=0.871 [102] HUG database 迁移学习 间质性肺疾病分类 F1-score=0.88 [97] LIDC以及内部数据集 迁移学习 肺结节检测 AUC=0.812 [98] LIDC-IDRI 知识学习 肺结节分类 AUC=0.957 [109] LIDC-IDRI 流形学习 肺结节分类 ACC=0.90 [110] 乳腺 DDSM、MIAS、BCDR 迁移学习 乳腺癌分类 AUC=0.997（MIAS） AUC=0.956（BCDR） [99] 皮肤 ISIC 2016,2017 迁移学习 皮肤病分类 AUC=0.914 [96] 2017 ISBI Challenge on Skin Lesion Analysis Towards Melanoma Detection、EDRA、ISIC 知识学习 皮肤病分类 AUC=0.917 [103] ISIC 人工与学习特征结合 皮肤病分类 AUC=0.780 [107] 眼底 Messidor AlexNet 糖尿病视网膜病变分级 ACC=0.966 [94] 内部数据集 注意力卷积神经网络 青光眼分类 AUC=0.975 [104] UCSD、NEH 病变感知卷积神经网络 眼底疾病分类 AUC>0.96 [103] 内部数据集 知识学习 青光眼分类 ACC=0.915 [108]