用來3D MRI和CT掃描的深度學習模型總結

醫學成像信息與其余咱們平常圖片的最大差別之一是它們許多全是3D的，例如在處置DICOM系列信息時特別這樣。DICOM圖片由許多的2D切片構成了1個掃描或肌體的特定部分。

那么怎樣為這種信息建立深度學習解決計劃呢?在本文中將向您簡介6種神經網絡架構，可以應用它們來訓練3D醫療信息上的深度學習模型。3 d U-Net

U-Net系統構造是一類強大的醫學圖片分割模型。3D U-Net將經典的U-Net模型擴展到3D分割。它由編碼(下采樣)路徑妥協碼(上采樣)路徑構成。

編碼路徑捕捉輸入圖片中的上下文，而解碼路徑容許準確定位。3D U-Net在處置體積圖片的3D特征方面十分有效。

V-Net架構是另一類用來體積圖片分割的3D卷積神經網絡。與U-Net相似，V-Net有1個編碼器-解碼器架構，但它應用全辨別率3D卷積，因此它比U-Net計算本錢更高。

它應用一系列帶有殘差連通的3D卷積層。該模型是端到端訓練的，可以一次處置全部3D圖片。

EfficientNet3D

這是對EfficientNet架構的3D改善，它不像U-Net或V-Net那樣常用來3D分割，但假設計算資源有限，它是可以參考的，由于它在計算本錢和功能之間的優良衡量。

這是U-Net的一類變體，它含蓋了1個注重力體制，容許網絡將注重力集中在與手頭任務更有關的圖片的某類部分。

這是1個應用雙路徑的3D CNN，1個是常態辨別率，另1個是下采樣輸入，如此可以結合局部和更大的上下文數據。

總結

本文中，咱們簡介了醫學成像領域在處置3D MRI和CT掃描時應用的許多深度學習模型。這類神經網絡被設計拿來接收3D信息作為輸入，以學習DICOM系列肌體特定部位的高難性。

下列是本文一切模型設計的論文，假設你感興致，可以直接查閱論文了解更全面的數據

[1] 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation

[2] V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation

[3] Deep learning-based metal artifact reduction in PET/CT imaging

[4] A modified 3D EfficientNet for the classification of Alzheimer’s disease using structural magnetic resonance images

[5] Attention U-Net: Learning Where to Look for the Pancreas

[6] DeepMedic for Brain Tumor Segmentation

作家：Nour Islam Mokhtari