摘要:深度学习是近年来应用最广泛的心脏图像分割方法。在这篇文章中,我们回顾了超过100篇使用深度学习的心脏图像分割论文,这些论文涵盖了常见的成像方式,包括磁共振成像(MRI)、计算机断层扫描(CT)和超声(US)以及感兴趣的主要解剖结构(心室、心房和血管)。此外,公开可用的心脏图像数据集和代码库的摘要也包括在内,为鼓励重复性研究提供了基础。最后,我们讨论了当前基于深度学习的方法的挑战和局限性(缺乏标签、不同领域的模型可泛化性、可解释性),并提出了未来研究的潜在方向。

成为VIP会员查看完整内容
0
32

相关内容

计算学习理论(Computational learning theory)研究的是关于通过“计算”来进行“学习”的理论,即关于机器学习的理论基础,其目的是分析学习任务的困难本质,为学习算法提供理论保证,并根据分析结果指导算法设计。

语义图像分割任务包括将图像的每个像素分类为一个实例,其中每个实例对应一个类。这个任务是场景理解或更好地解释图像的全局上下文概念的一部分。在医学图像分析领域,图像分割可用于图像引导干预、放疗或改进的放射诊断。本综述将基于深度学习的医学和非医学图像分割解决方案分为六大组:深度架构、基于数据合成、基于损失函数、排序模型、弱监督和多任务方法,并对每一组的贡献进行全面综述。然后,针对每一组,我们分析了每一组的不同,并讨论了当前方法的局限性和未来语义图像分割的研究方向。

成为VIP会员查看完整内容
0
56

主题: A Review on Deep Learning Techniques for Video Prediction

摘要: 预测,预期和推理未来结果的能力是智能决策系统的关键组成部分。鉴于深度学习在计算机视觉中的成功,基于深度学习的视频预测已成为有前途的研究方向。视频预测被定义为一种自我监督的学习任务,它代表了一个表示学习的合适框架,因为它展示了提取自然视频中潜在模式的有意义的表示的潜在能力。视频序列预测的深度学习方法。我们首先定义视频预测的基础知识,以及强制性的背景概念和最常用的数据集。接下来,我们会仔细分析根据拟议的分类法组织的现有视频预测模型,突出显示它们的贡献及其在该领域的意义。数据集和方法的摘要均附有实验结果,有助于在定量基础上评估现有技术。通过得出一些一般性结论,确定开放研究挑战并指出未来的研究方向来对本文进行总结。

成为VIP会员查看完整内容
0
39

题目: Image Segmentation Using Deep Learning: A Survey

摘要:

图像分割是图像处理和计算机视觉领域的一个重要课题,其应用领域包括场景理解、医学图像分析、机器人感知、视频监控、增强现实和图像压缩等。文献中已经发展了各种图像分割算法。最近,由于深度学习模型在广泛的视觉应用中取得了成功,已经有大量的工作致力于开发使用深度学习模型的图像分割方法。在本次调查中,我们对撰写本文时的文献进行了全面的回顾,涵盖了语义和实例级分割的广泛的开创性著作,包括全卷积像素标记网络,编码器-解码器架构,多尺度和基于金字塔的方法,递归网络,视觉注意力模型,以及在对抗性环境下的生成模型。我们调查了这些深度学习模型的相似性、优势和挑战,研究了最广泛使用的数据集,报告了性能,并讨论了该领域未来的研究方向。

成为VIP会员查看完整内容
0
68

随着机器学习、图形处理技术和医学成像数据的迅速发展,机器学习模型在医学领域的使用也迅速增加。基于卷积神经网络(CNN)架构的快速发展加剧了这一问题,医学成像社区采用这种架构来帮助临床医生进行疾病诊断。自2012年AlexNet取得巨大成功以来,CNNs越来越多地被用于医学图像分析,以提高临床医生的工作效率。近年来,三维(3D) CNNs已被用于医学图像分析。在这篇文章中,我们追溯了3D CNN的发展历史,从它的机器学习的根源,简单的数学描述3D CNN和医学图像在输入到3D CNNs之前的预处理步骤。我们回顾了在不同医学领域,如分类、分割、检测和定位,使用三维CNNs(及其变体)进行三维医学成像分析的重要研究。最后,我们讨论了在医学成像领域使用3D CNNs的挑战(以及使用深度学习模型)和该领域可能的未来趋势。

成为VIP会员查看完整内容
0
43

题目: Time Series Data Augmentation for Deep Learning: A Survey

摘要:

近年来,深度学习在许多时间序列分析任务中表现优异。深度神经网络的优越性能很大程度上依赖于大量的训练数据来避免过拟合。然而,许多实际时间序列应用的标记数据可能会受到限制,如医学时间序列的分类和AIOps中的异常检测。数据扩充是提高训练数据规模和质量的有效途径,是深度学习模型在时间序列数据上成功应用的关键。本文系统地综述了时间序列的各种数据扩充方法。我们为这些方法提出了一个分类,然后通过强调它们的优点和局限性为这些方法提供了一个结构化的审查。并对时间序列异常检测、分类和预测等不同任务的数据扩充方法进行了实证比较。最后,我们讨论并强调未来的研究方向,包括时频域的数据扩充、扩充组合、不平衡类的数据扩充与加权。

成为VIP会员查看完整内容
0
89

论文题目:

Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State-of-Art Applications

论文摘要: 近年来,在开发更精确、更有效的医学图像和自然图像分割的机器学习算法方面取得了重大进展。在这篇综述文章中,我们强调了机器学习算法在医学图像领域实现高效准确分割的重要作用。我们特别关注与机器学习方法在生物医学图像分割中的应用相关的几个关键研究。我们回顾了经典的机器学习算法,如马尔可夫随机场、k-均值聚类、随机森林等,虽然这些经典的学习模型往往比深度学习技术更不精确,但它们往往更具样本效率,结构也更不复杂。我们还回顾了不同的深度学习结构,如人工神经网络(ANNs)、卷积神经网络(CNNs)和递归神经网络(RNNs),并给出了这些学习模型在过去三年中取得的分割结果。我们强调了每种机器学习范式的成功和局限性。此外,我们还讨论了与不同机器学习模型训练相关的几个挑战,并提出了一些启发式方法来解决这些挑战。

成为VIP会员查看完整内容
Machine Learning Techniques for Biomedical Image Segmentation An Overview of Technical Aspects and Introduction to State-of-Art Applications.pdf
0
44

论文主题: Recent Advances in Deep Learning for Object Detection

论文摘要: 机器学习社区已经被大量基于深度学习的方法所淹没。卷积神经网络、递归神经网络、对抗神经网络、自编码等多种深部神经网络正有效地解决无约束环境下目标的检测、定位、识别和分割等具有挑战性的计算机视觉任务。而关于目标检测的分析研究已经有很多了或识别领域,许多新的深度学习技术已经浮出水面关于图像分割技术。本文探讨这些不同的图像分割深度学习技术分析视角。这项工作的主要目标是提供一个对重要技术的直观理解对图像分割领域的贡献。从一些在传统的图像分割方法的基础上,本文对图像分割技术进行了研究刻划深度学习对图像分割领域的影响。此后,大多数主要的分割算法已按照专用于其独特贡献的段落进行了逻辑分类。借助大量直观的说明,可以期望读者具有更好的可视化这些内部动态的能力流程。

成为VIP会员查看完整内容
0
46

论文主题: Deep Semantic Segmentation of Natural and Medical Images: A Review

论文摘要: (医学)图像语义分割任务包括将图像的每个像素(或几个像素)分类为一个实例,其中每个实例(或类别)对应于一个类。此任务是场景理解概念的一部分,或更好地解释全局 图像的上下文。在医学图像分析领域,图像分割可用于图像引导干预、放射治疗或改进的放射诊断。在这篇综述中,我们将领先的基于深度学习的医学和非医学图像分割解决方案分为六大类:深度架构、基于数据合成、基于损失函数、序列模型、弱监督和多任务方法。此外,针对每一组,我们分析了这些组的每一个变体,并讨论了当前语义图像分割方法的局限性和未来的研究方向。

成为VIP会员查看完整内容
0
43

论文主题: Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State‐of‐Art Applications

论文摘要: 近年来,在开发更精确、更有效的医学图像和自然图像分割的机器学习算法方面取得了重大进展。在这篇综述文章中,我们强调了机器学习算法在医学影像领域实现高效准确分割的重要作用。我们特别关注与机器学习方法在生物医学图像分割中的应用相关的几个关键研究。我们回顾了经典的机器学习算法,如马尔可夫随机场、k-均值聚类、随机森林等。尽管与深度学习技术相比,此类经典学习模型往往不太准确,但它们往往更具样本效率,结构也不太复杂。我们还回顾了不同的深度学习结构,如人工神经网络(ANNs)、卷积神经网络(CNNs)和递归神经网络(RNNs),并给出了这些学习模型在过去三年中取得的分割结果。我们强调了每种机器学习范式的成功和局限性。此外,我们还讨论了与不同机器学习模型训练相关的几个挑战,并提出了一些启发式方法来解决这些挑战。

成为VIP会员查看完整内容
0
34

题目: Understanding Deep Learning Techniques for Image Segmentation

简介: 机器学习已被大量基于深度学习的方法所淹没。各种类型的深度神经网络(例如卷积神经网络,递归网络,对抗网络,自动编码器等)有效地解决了许多具有挑战性的计算机视觉任务,例如在不受限制的环境中对对象进行检测,定位,识别和分割。尽管有很多关于对象检测或识别领域的分析研究,但相对于图像分割技术,出现了许多新的深度学习技术。本文从分析的角度探讨了图像分割的各种深度学习技术。这项工作的主要目的是提供对图像分割领域做出重大贡献的主要技术的直观理解。从一些传统的图像分割方法开始,本文进一步描述了深度学习对图像分割域的影响。此后,大多数主要的分割算法已按照专用于其独特贡献的段落进行了逻辑分类。

成为VIP会员查看完整内容
Understanding Deep Learning Techniques for Image Segmentation.pdf
0
84
小贴士
相关VIP内容
专知会员服务
56+阅读 · 2020年6月7日
【文献综述】图像分割综述,224篇参考文献,附58页PDF
专知会员服务
84+阅读 · 2019年6月16日
相关论文
3D Deep Learning on Medical Images: A Review
Satya P. Singh,Lipo Wang,Sukrit Gupta,Haveesh Goli,Parasuraman Padmanabhan,Balázs Gulyás
9+阅读 · 2020年4月1日
Deep learning for cardiac image segmentation: A review
Chen Chen,Chen Qin,Huaqi Qiu,Giacomo Tarroni,Jinming Duan,Wenjia Bai,Daniel Rueckert
15+阅读 · 2019年11月9日
Image Captioning based on Deep Reinforcement Learning
Haichao Shi,Peng Li,Bo Wang,Zhenyu Wang
7+阅读 · 2018年9月13日
A 3D Coarse-to-Fine Framework for Volumetric Medical Image Segmentation
Zhuotun Zhu,Yingda Xia,Wei Shen,Elliot K. Fishman,Alan L. Yuille
13+阅读 · 2018年8月2日
Automatically Designing CNN Architectures for Medical Image Segmentation
Aliasghar Mortazi,Ulas Bagci
9+阅读 · 2018年7月19日
W-net: Bridged U-net for 2D Medical Image Segmentation
Wanli Chen,Yue Zhang,Junjun He,Yu Qiao,Yifan Chen,Hongjian Shi,Xiaoying Tang
16+阅读 · 2018年7月12日
Holger R. Roth,Chen Shen,Hirohisa Oda,Masahiro Oda,Yuichiro Hayashi,Kazunari Misawa,Kensaku Mori
5+阅读 · 2018年3月23日
Marc Bosch,Christopher M. Gifford,Austin G. Dress,Clare W. Lau,Jeffrey G. Skibo,Gordon A. Christie
14+阅读 · 2018年1月31日
Fahim Irfan Alam,Jun Zhou,Alan Wee-Chung Liew,Xiuping Jia,Jocelyn Chanussot,Yongsheng Gao
10+阅读 · 2017年12月27日
Top