基于深度学习的多模式瘤细分方法:一个叙事审查
Hengzhi Xue1, Yudong Yao2,3, Yueyang Teng1,4
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China.
Quantitative imaging in medicine and surgery
|January 15, 2024
概括
深度学习 (DL) 方法通过有效地融合来自各种成像来源的数据,显著提高了多模式瘤细分的准确性. 本综述探讨了最近的DL进展,以改善临床诊断和治疗计划.
科学领域:
- 医疗图像处理 医学图像处理
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 自动瘤细分对于临床诊断和治疗至关重要.
- 多模态成像提供了比单模态方法更全面的瘤理解.
- 深度学习 (DL) 方法在医学图像分析中表现出色.
研究的目的:
- 提供最近基于深度学习的多模式瘤细分方法的全面概述.
- 总结该领域的关键技术和发现.
- 确定未来的研究方向.
主要方法:
- 在PubMed和谷歌学者数据库的系统文献搜索 (2018年1月 - 2023年6月).
- 使用的关键词:"多模式"",深度学习"",瘤细分".
- 78篇英语文章的综述.
主要成果:
- 引入公共数据集,评估指标和多模式数据处理技术.
- 用于瘤细分的常见DL网络架构,策略和融合方法的摘要.
- 分析不同的瘤细分任务.
结论:
- 深度学习是一种用于多模式瘤细分的强大技术.
- 融合方法使DL框架能够利用各种数据特征,提高细分的准确性.
- 该研究强调了DL在推进多模式瘤细分方面的潜力.
