本文是对医学图像分析中的深度学习研究的综述，原文为：A Survey on Deep Learning in Medical Image Analysis
这篇综述的动机：是从应用和方法驱动的角度对医学成像的(几乎)所有领域进行了全面的概述
[TOC]
摘要
深度学习，特别是卷积网络，已经迅速的变为了医学图像分析中的一个方法选择。本文回顾了与医学图像分析相关的主要深度学习概念，总结了医学图像分析领域的300多个贡献，其中大部分出现在去年。我们总结了深度学习在图像分类，目标检测，分割，配准等任务中的应用。简要概述了每个应用领域的研究:神经、视网膜、肺、数字病理学、乳腺、心脏、腹部、肌肉骨骼。最后，我们总结了当前最先进的技术，对未来研究的开放挑战和方向进行了批判性的讨论。
1 介绍
起初，医学图像分析采用低阶像素处理（边缘和线检测器滤波器，区域增长）和数学建模（拟合线、圆和椭圆）的基本应用，构建基于符合规则的系统来解决特定的任务。
从1990s后期，监督技巧在医学图像领域变得十分受欢迎。主动形状模型（active shape models，for segmentation）、拓扑学方法(atlas methods)、使用统计学习提取特征等方法。特征提取依然使用人工提取（hand crafted）
2012年。AlexNet出现，逐渐使计算机自提取特征代替手工提取特征。
剩余部分内容简介：
- 介绍在医学图像分析中，所用到的深度学习技术
- 介绍深度学习在医学图像分析中的应用，包括：分类、检测、分割、配准、检索、图像生成和增强
- 介绍在医学图像领域有关公开的挑战，以及结果
2 深度学习方法概述
这部分没看
3 深度学习在医学图像中的应用
3.1 分类
3.1.1 图像和??分类（Image/exam classification）
由于数据量少，迁移学习应用广泛。迁移学习分为两类，一个是使用预先训练的模型作为特征提取器，另一个是微调。这两种策略哪一种较好，通常没有确切的定义。
医学图像领域起初关注无监督学习的预训练和网络结构，比如 SAMs 和 RBMs 。基于脑磁成像(MRI)的DBNs和SAEs技术在阿尔茨海默病诊断中的应用
在15,16,17年共发表了47篇有关exam classification的论文，其中36篇用了CNN，5篇基于AEs， 6篇基于RBMs。这些方法的应用领域非常广泛，从脑MRI到视网膜成像，从数字病理学到肺计算机断层扫描(CT)
总结，在该领域，CNN是如今标准的技术。
3.1.2 目标和病灶分类（Object or lesion classification）
目标分类通常侧重于将医学图像的一小部分（先前识别的）为成两类或者多类。比如，胸部CT节点的分类。
