用来3D MRI和CT扫描的深度学习模型总结

医学成像信息与其余咱们平常图片的最大差别之一是它们许多全是3D的，例如在处置DICOM系列信息时特别这样。DICOM图片由许多的2D切片构成了1个扫描或肌体的特定部分。

那么怎样为这种信息建立深度学习解决计划呢?在本文中将向您简介6种神经网络架构，可以应用它们来训练3D医疗信息上的深度学习模型。3 d U-Net

U-Net系统构造是一类强大的医学图片分割模型。3D U-Net将经典的U-Net模型扩展到3D分割。它由编码(下采样)路径妥协码(上采样)路径构成。

编码路径捕捉输入图片中的上下文，而解码路径容许准确定位。3D U-Net在处置体积图片的3D特征方面十分有效。

V-Net架构是另一类用来体积图片分割的3D卷积神经网络。与U-Net相似，V-Net有1个编码器-解码器架构，但它应用全辨别率3D卷积，因此它比U-Net计算本钱更高。

它应用一系列带有残差连通的3D卷积层。该模型是端到端训练的，可以一次处置全部3D图片。

EfficientNet3D

这是对EfficientNet架构的3D改善，它不像U-Net或V-Net那样常用来3D分割，但假设计算资源有限，它是可以参考的，由于它在计算本钱和功能之间的优良衡量。

这是U-Net的一类变体，它含盖了1个注重力体制，容许网络将注重力集中在与手头任务更有关的图片的某类部分。

这是1个应用双路径的3D CNN，1个是常态辨别率，另1个是下采样输入，如此可以结合局部和更大的上下文数据。

总结

本文中，咱们简介了医学成像领域在处置3D MRI和CT扫描时应用的许多深度学习模型。这类神经网络被设计拿来接收3D信息作为输入，以学习DICOM系列肌体特定部位的高难性。

下列是本文一切模型设计的论文，假设你感兴致，可以直接查阅论文了解更全面的数据

[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