审查医疗图像细分的3D卷积神经网络方法
Ademola E Ilesanmi1, Taiwo O Ilesanmi2, Babatunde O Ajayi3
1University of Pennsylvania, 3710 Hamilton Walk, 6th Floor, Philadelphia, PA, 19104, United States.
Heliyon
|March 18, 2024
概括
本综述探讨了用于医疗图像细分的三维卷积神经网络 (3D CNN). 这些发现突出了编码器-解码器架构.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 医疗保健中的深度学习
背景情况:
- 卷积神经网络 (CNN) 对于临床诊断和治疗至关重要.
- 三维CNN (3DCNN) 在医学图像分析中越来越重要,特别是在器官和异常细分方面.
研究的目的:
- 对医疗图像细分中使用的多种3D CNN算法进行全面审查.
- 分析医学成像3D CNN应用中的趋势,见解和未来方向.
主要方法:
- 对最近的3D CNN方法的系统审查.
- 严格选和评估来自学术存储库的研究论文.
- 分析网络架构,并实现异常和器官细分的准确性.
主要成果:
- 确定了医疗图像的3D CNN细分中的主流趋势.
- 编码器-解码器网络架构在细分任务中占主导地位.
- 详细的见解,约束和未来的研究途径得到了阐明.
结论:
- 3D CNN算法在医疗图像细分和分类方面表现出令人称赞的准确性.
- 这些发现在临床诊断和治疗干预中具有潜在的应用.
- 编码解码器框架为医疗图像细分提供了一个连贯的方法.
