基于深度学习的肺部图像注册:一篇综述

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 肺部图像注册对于临床应用至关重要,但被软组织运动所挑战.
• 对于其他感兴趣区域 (ROI) 现有的深度学习 (DL) 方法不足以进行肺部注册.

研究的目的:

• 提供基于DL的肺图像记录方法的全面审查.
• 将DL方法分类并分析它们的贡献和局限性.

主要方法:

• 对传统和基于DL的肺部图像记录技术的调查.
• 根据监督类型对DL方法的分类:完全监督,弱监督和无监督.
• 在引用论文中的评估指标和损失函数的统计分析.

主要成果:

• DL方法有前途,但肺部注册的多功能框架缺乏.
• 分析各种DL方法的挑战,局限性和贡献.
• 关于肺部图像注册的公开数据集的摘要.

结论:

• 深度学习为肺部图像注册提供了巨大的潜力.
• 需要进一步的研究来克服目前的局限性,并建立标准化的框架.
• 未来的趋势表明DL在肺成像中的准确性提高和更广泛的临床适用性.