在基于深度学习方法的多模式成像中彻底改变瘤检测和分类:方法,应用和局限性

科学领域:

• 医学成像分析 医学成像分析
• 在瘤学中使用人工智能

背景情况:

• 深度学习 (DL) 彻底改变了医学成像中的瘤检测和分类.
• 多模式医学成像 (MMI) 在诊断,治疗和进展跟踪方面提供了精确性.

研究的目的:

• 综合审查用于瘤检测和MMI分类的DL方法.
• 提供有关该领域进步,局限性和挑战的见解.

主要方法:

• 对用于瘤检测和分类的DL研究进行系统的文献分析.
• 检查包括卷积神经网络 (CNN) 和循环神经网络 (RNN) 在内的方法.
• 专注于整合多模式成像以提高准确性.

主要成果:

• 对基于DL的MMI评估方法进行瘤检测和分类的调查.
• 讨论各种DL方法 (CNN,YOLO,罗网络等). 在PET-MRI,PET-CT和SPECT-CT中.
• 突出了基于融合,基于注意力和生成对抗网络的进展.

结论:

• DL方法是有效的瘤检测和分类在MMI.
• DL具有很大的潜力来应对MMI分析中的挑战.
• 这些发现对推进瘤学临床实践具有重要意义.