邹、连;于绍德;孟铁宝;张志成;梁晓坤;谢耀琴 基于卷积神经网络的乳腺癌诊断技术综述。 （英语） Zbl 1423.92195号 计算。数学。方法医学。 2019年，文章ID 6509357，16 p.（2019）. 总结：本研究综述了卷积神经网络（CNN）技术在乳腺癌钼靶诊断（MBCD）中的应用。它旨在为如何使用CNN完成相关任务提供一些线索。MBCD是一个长期存在的问题，已经提出了大量的计算机辅助诊断模型。基于CNN的MBCD模型可大致分为三类。一种是设计浅层模型或修改现有模型，以减少训练的时间成本和实例数量；二是通过迁移学习和微调，充分利用预处理的CNN；三是利用CNN模型进行特征提取，利用机器学习分类器实现良恶性病变的鉴别。这项研究纳入了同行评审的期刊出版物，并介绍了每种模型的技术细节和优缺点。此外，总结了研究结果、挑战和局限性，并给出了未来工作的一些线索。总之，基于CNN的MBCD尚处于早期阶段，在实现使用深度学习工具促进临床实践的最终目标方面还有很长的路要走。这篇综述有益于科学研究人员、工业工程师和致力于智能癌症诊断的人。 MSC公司： 92 C55 生物医学成像和信号处理 92-08 生物学问题的计算方法 68T05型 人工智能中的学习和自适应系统 92-02 与生物学有关的研究博览会（专著、调查文章） 关键词：乳腺癌的x线诊断;卷积神经网络 软件：AlexNet公司;t-SNE公司;更快的R-CNN;ImageNet公司 PDF格式BibTeX公司 XML格式引用 \textit{L.Zou}等人，计算。数学。方法Med.2019，文章ID 6509357，16 p.（2019；Zbl 1423.92195） 全文： 内政部 参考文献： [1] 西格尔，R.L。；Miller，K.D。；Jemal，A.，癌症统计，2016年，加利福尼亚州：临床医生癌症杂志，66，1，7-30（2016）·doi:10.3322/caac.21332 [2] 范，L。；斯特拉斯·威普尔，K。；Li，J.-J.，《中国乳腺癌》，《柳叶刀肿瘤学》，15，7，e279-e289（2014）·doi:10.1016/s1470-2045（13）70567-9 [3] Tabár，L。；加德，A。；Holmberg，L.H.，通过乳房X光摄影进行大规模筛查后乳腺癌死亡率的降低，《柳叶刀》，3258433829-832（1985） [4] 于斯。；Wu，S。；庄，L.，使用三维GrabCut（GC3D）在B型超声断层扫描中高效分割乳房，Sensors，17，8，1827（2017）·doi:10.3390/s17081827 [5] 朗戈，R。；Arfelli，F。；Bellazzini，R.，《在Elettra使用同步辐射进行乳房断层扫描：第一幅图像》，《医学和生物学中的物理学》，61，4，1634-1649（2016）·doi:10.1088/0031-9155/61/4/1634 [6] Michell，M.J。；伊克巴尔，A。；Wasan，R.K.，《胶片乳房X射线照相术、全视野数字乳房X射线摄影术和数字乳房断层合成术准确性的比较》，《临床放射学》，67，10，976-981（2012）·doi:10.1016/j.crad.2012.03.009 [7] 霍尔，F.M。；斯托雷拉，J.M。；Silverstone，D.Z。；Wyshak，G.，《无法触及的乳腺病变：基于钼靶摄影术中怀疑有癌的活检建议》，放射学，167，2，353-358（1988）·doi:10.1148/radiology.167.2.3282256 [8] Tang，J。；Rangayyan，R.M。；徐，J。；El Naqa，I。；Yang，Y.，《利用乳房X射线照相术进行计算机辅助乳腺癌检测和诊断：最新进展》，IEEE生物医学信息技术汇刊，13，2，236-251（2009）·doi:10.1109/titb.2008.2009441 [9] 北爱尔兰共和国亚辛。；Omran，S。；El Houby，E.M.F。；Allam，H.，《使用不同图像模式进行乳腺癌计算机辅助诊断的机器学习技术：系统综述》，《生物医学中的计算机方法和程序》，156，25-45（2018）·doi:10.1016/j.cmpb.2017.12.012 [10] 姜瑜。；西川，R.M。；施密特，R.A。；梅茨，C.E。；Giger，M.L。；Doi，K.，《利用计算机辅助诊断改进乳腺癌诊断》，学术放射学，6，1，22-33（1999）·doi:10.1016/s1076-6332（99）80058-0 [11] Cheng，H.D。；Shan，J。；Ju，W。；郭毅。；Zhang，L.，使用超声图像的自动乳腺癌检测和分类：一项调查，模式识别，43，1299-317（2010）·Zbl 1187.68437号 ·doi:10.1016/j.patcog.2009.05.012 [12] Jalalian，A。；马绍霍尔，S.B.T。；马哈茂德，H.R。；麻省理工学院Saripan。；A.R.B.Ramli。；Karasfi，B.，《乳房X射线照相术和超声对乳腺癌的计算机辅助检测/诊断：综述》，《临床成像》，第37、3、420-426页（2013年）·doi:10.1016/j.clinmag.2012.09.024 [13] 曼布，S。；Maresova，P。；O.Krejcar。；Selamat，A。；Kuca，K.，利用红外热成像和深度学习模型检测乳腺癌，Sensors，18，9，2799（2018）·doi:10.3390/s18092799 [14] Cheng，H.D。；蔡，X。；陈，X。；胡，L。；Lou，X.，《乳房X光片中微钙化的计算机辅助检测和分类：一项调查》，模式识别，36，12，2967-2991（2003）·Zbl 1058.68621号 ·doi:10.1016/s0031-3203（03）00192-4 [15] Rangayyan，R.M。；艾尔斯·F·J。；Leo Desautels，J.E.，《计算机辅助乳腺癌诊断综述：对细微征兆的检测》，《富兰克林研究所杂志》，344，3-4，312-348（2007）·Zbl 1115.92038号 ·doi:10.1016/j.jfranklin.2006.09.003 [16] 克里斯托伊亚尼，I。；库特拉斯，A。；Dermatas，E。；Kokkinakis，G.，数字化乳房X线照片中乳腺癌的计算机辅助诊断，计算机医学成像和图像，26，5，309-319（2002）·doi:10.1016/s0895-6111（02）00031-9 [17] Wei，L。；Yang，Y。；西川，R.M。；姜瑜，几种机器学习方法对恶性和良性聚集性微钙化分类的研究，IEEE医学成像学报，24，3，371-380（2005）·doi:10.1109/tmi.2004.842457 [18] Y.本吉奥。；科尔维尔，A。；Vincent，P.，《表征学习：回顾与新视角》，IEEE模式分析与机器智能汇刊，35，8，1798-1828（2013）·doi:10.1109/tpami.2013.50 [19] LeCun，Y。；Y.本吉奥。；Hinton，G.，《深度学习》，《自然》，521，7553，436-444（2015）·doi:10.1038/自然14539 [20] 郭毅。；刘，Y。；奥尔勒曼斯，A。；老挝，S。；Wu，S。；Lew，M.S.，《视觉理解的深度学习：综述》，神经计算，187，27-48（2016）·doi:10.1016/j.neucom.2015.09.116 [21] 于斯。；Wu，S。；Wang，L。；江，F。；谢毅。；Li，L.，用于盲图像清晰度评估的浅卷积神经网络，PloS one，12，5（2017）·doi:10.1371/journal.pone.0176632 [22] 李毅。；王，Z。；戴，G。；Wu，S。；于斯。；Xie，Y.，使用浅卷积神经网络评估真实模糊图像质量，2017 IEEE信息与自动化国际会议（ICIA）论文集 [23] 张，Z。；X·梁。；董，X。；谢毅。；曹，G.，一种基于DenseNet和反褶积相结合的稀疏视图CT重建方法，IEEE医学成像学报，37，6，1407-1417（2018）·doi:10.10109/周三.2018.2823338 [24] 刘，Y。；斯托贾迪诺维奇，S。；Hrycushko，B.，基于深度卷积神经网络的多脑转移立体定向放射外科自动描绘策略，《公共科学图书馆·综合》，12，10（2017）·doi:10.1371/journal.pone.0185844 [25] Wang，R。；X·梁。；朱，X。；Xie，Y.，基于深度Bi-LSTM的呼吸预测用于实时肿瘤跟踪的可行性，IEEE Access，6，51262-51268（2018）·doi:10.10109/访问.2018.2869780 [26] 沈，D。；Wu，G。；Suk，H.-I.，《医学图像分析的深度学习》，《生物医学工程年度回顾》，19，1，221-248（2017）·doi:10.1146/annurev-bioeng-071516-044442 [27] 秦伟。；吴杰。；Han，F.，基于超像素和边界敏感的卷积神经网络用于肝脏自动分割，《医学与生物物理》，63，9（2018）·doi:10.1088/1361-6560/aabd19 [28] 肖，T。；刘，L。；Li，K。；秦伟。；于斯。；Li，Z.，转移深层神经网络在超声乳腺肿块鉴别中的比较，生物医学研究国际，2018（2018）·doi:10.1155/2018/4605191 [29] 梅耶，P。；Noblet，V。；马扎拉，C。；Lallement，A.，《放射治疗深度学习调查》，《生物和医学中的计算机》，98，126-146（2018）·doi:10.1016/j.compbiomed.2018.05.018 [30] 甄，X。；陈，J。；Zhong，Z.，带转移学习的深度卷积神经网络在宫颈癌放射治疗直肠毒性预测中的可行性研究，《医学与生物物理》，62，21，8246-8263（2017）·doi:10.1088/1361-6560/aa8d09 [31] 伯特·J·R。；托罗斯达格利，N。；Khosravan，N.，《猫和狗之外的深度学习：利用深度神经网络诊断乳腺癌的最新进展》，《英国放射学杂志》，91（2018）·doi:10.1259/bjr.20170545 [32] Hamidinekoo，A。；丹顿，E。；Rampun，A。；Honnor，K。；Zwiggelaar，R.，《乳腺X射线照相术和乳腺组织学的深度学习，概述和未来趋势》，医学图像分析，47，45-67（2018）·doi:10.1016/j.media.2018.03.006 [33] 胡，Z。；Tang，J。；王，Z。；张，K。；张，L。；Sun，Q.，基于图像的癌症检测和诊断的深度学习——一项调查，模式识别，83，134-149（2018）·doi:10.1016/j.patcog.2018年5月14日 [34] 莫拉，哥伦比亚特区。；Guevara López，M.A.，《图像描述符与乳腺癌诊断临床数据相结合的评估》，《国际计算机辅助放射与外科杂志》，8，4，561-574（2013）·doi:10.1007/s11548-013-0838-2 [35] 安·G。；Omodaka，K。；Tsuda，S.，青光眼管理的机器学习分类模型比较，医疗保健工程杂志，2018（2018）·doi:10.1155/2018/6874765 [36] Gillies，R.J。；Kinahan，体育。；Hricak，H.，《放射学：图像不仅仅是图片，它们是数据》，《放映学》，2782563-577（2016）·doi:10.1148/无线电.2015151169 [37] 叶，S.S.F。；Aerts，H.J.W.L.，《辐射学的应用和局限性》，《医学和生物学中的物理学》，61，13，R150-R166（2016）·doi:10.1088/0031-9155/61/13/r150 [38] Xu，X。；张，X。；田奇，非肌肉浸润性和肌肉浸润性膀胱癌的定量识别：多参数MRI放射分析，磁共振成像杂志，278，2，563-577（2018）·doi:10.1002/jmri.26327 [39] Simonyan，K。；Zisserman，A.，《用于大规模图像识别的极深卷积网络》，2014年，https://arxiv.org/abs/1409.1556 [40] LeCun，Y。；Boser，B。；Denker，J.S.，反向传播应用于手写邮政编码识别，神经计算，1，4，541-551（1989）·doi:10.1162/neco.1989.1.4.541 [41] Krizhevsky，A。；Sutskever，I。；Hinton，G.E.，用深度卷积神经网络进行ImageNet分类，神经信息处理系统进展论文集 [42] 塞格迪，C。；刘伟。；Jia，Y.，《卷积深入研究》，2015年IEEE计算机视觉和模式识别会议论文集 [43] 塞格迪，C。；Vanhoucke，V。；Ioffe，S.，《重新思考计算机视觉的初始架构》，IEEE计算机视觉和模式识别会议论文集 [44] He，K。；张，X。；任，S。；Sun，J.，图像识别的深度剩余学习，2016年IEEE计算机视觉和模式识别会议论文集 [45] 雷德蒙，J。；迪瓦拉，S。；Girshick，R。；Farhadi，A.，《你只看一次：统一的实时对象检测》，2016年IEEE计算机视觉和模式识别会议论文集 [46] 任，S。；He，K。；Girshick，R。；Sun，J.，《更快的R-CNN：利用区域提议网络实现实时目标检测》，《神经信息处理系统进展论文集》 [47] Sutskever，I。；葡萄酒，O。；Le，Q.V.，神经网络的序列到序列学习，神经信息处理系统进展论文集 [48] Schmidhuber，J.，《神经网络中的深度学习：概述》，神经网络，61，85-117（2015）·doi:10.1016/j.neunet.2014.09.003 [49] 潘，S.J。；杨琼，《迁移学习调查》，IEEE知识与数据工程汇刊，2010年第22期，第10期，第1345-1359页·doi:10.1109/tkde.2009.191 [50] 俄勒冈州Russakovsky。；邓，J。；Su，H.，ImageNet大规模视觉识别挑战，国际计算机视觉杂志，115，3，211-252（2015）·doi:10.1007/s11263-015-0816-y [51] 焦，Z。；高，X。；Wang，Y。；Li，J.，《基于深度特征的乳腺肿块分类框架》，神经计算，197，221-231（2016）·doi:10.1016/j.neucom.2016.02.060 [52] 阿雷瓦洛，J。；F.A.González。；Ramos-Pollán，R。；Oliveira，J.L。；Guevara Lopez，M.A.，利用卷积神经网络进行乳腺造影肿块病变分类的表征学习，生物医学中的计算机方法和程序，127，248-257（2016）·doi:10.1016/j.cmpb.2015.014 [53] B.Q.Huynh。；李，H。；Giger，M.L.，利用深度卷积神经网络的转移学习进行数字乳腺癌分类，医学成像杂志，3，3（2016）·doi:10.117/1.jmi.3.3.034501 [54] Sun，W。；Tseng，T.-L。；张杰。；Qian，W.，使用未标记数据增强深层卷积神经网络方案用于乳腺癌诊断，计算机医学成像和图形，57，4-9（2017）·doi:10.1016/j.compmedimag.2016.07.004 [55] 萨马拉，R.K。；Chan，H.-P。；哈吉伊斯基，L.M。；Helvie，文学硕士。；Cha，K。；Richter，C.，《多任务转移学习深度卷积神经网络：在乳腺癌计算机辅助诊断中的应用》，《医学与生物学物理学》，62，23，8894（2017）·数字对象标识代码：10.1088/1361-6560/aa93d4 [56] Antropova，N。；B.Q.Huynh。；Giger，M.L.，《乳腺癌诊断的深度特征融合方法在三种成像模式数据集上的演示》，《医学物理学》，44，10，5162-5171（2017）·doi:10.1002/mp.12453 [57] Dhungel，N。；卡内罗，G。；Bradley，A.P.，《使用最小用户干预对乳房X光照片中肿块进行分析的深度学习方法》，《医学图像分析》，37，114-128（2017）·doi:10.1016/j.media.2017.01.009 [58] 邱，Y。；Yan，S。；Gundredy，R.R.，《利用深度学习技术开发乳腺肿块分类计算机辅助诊断方案的新方法》，《X射线科学与技术杂志》，25，5，751-763（2017）·doi:10.3233/xst-16226 [59] Jadoon，M.M。；张，Q。；乌尔哈克，I。；对接，S。；Jadoon，A.，《基于CNN描述性特征的三级乳房X光片分类》，《生物医学研究国际》，2017年（2017年）·doi:10.1155/2017/3640901 [60] 孟德尔，K。；李，H。；谢斯，D。；Giger，M.，《计算机辅助诊断中卷积神经网络的转移学习：数字乳腺断层摄影术与全视野数字乳腺摄影术的比较》，出版·doi:10.1016/j.acra.2018年6月19日 [61] 张，X。；Zhang，Y。；Han，E.Y.，使用深度卷积神经网络对整个乳房X光片和断层合成图像进行分类，IEEE纳米生物科学汇刊，17，3，237-242（2018）·doi:10.1109/tnb.2018.2845103 [62] 焦，Z。；高，X。；Wang，Y。；Li，J.，基于乳房X射线照相术的乳腺肿块分类寄生度量学习网络，模式识别，75，292-301（2018）·doi:10.1016/j.patcog.2017.07.008 [63] A.C.佩雷。；洛杉矶亚历山大。；Freire，L.C.，使用卷积神经网络和转移学习对乳房X光照片中的病变进行分类，生物力学和生物医学工程中的计算机方法：成像和可视化，1-7（2018）·doi:10.1080/1681163.2018.1498392 [64] Chougrad，H。；Zouaki，H。；Alheyane，O.，乳腺癌筛查的深度卷积神经网络，生物医学中的计算机方法和程序，157，19-30（2018）·doi:10.1016/j.cmpb.2018.01.11 [65] 阿尔·马斯尼，硕士。；阿尔·安塔里，硕士。；Park，J.-M.，通过基于YOLO的深度学习CAD系统在数字乳房X光照片中同时检测和分类乳腺肿块，生物医学中的计算机方法和程序，157，85-94（2018）·doi:10.1016/j.cmpb.2018.017 [66] 里比利，D。；Horváth，A。；昂格尔，Z。；Pollner，P。；Csabai，I.，《利用深度学习检测和分类乳房X光片中的病变》，《科学报告》，8，1，85-94（2018）·doi:10.1038/s41598-018-22437-z [67] Wang，H。；冯，J。；Zhang，Z.，通过深度整合多视角数据的上下文信息进行乳腺肿块分类，模式识别，80，42-52（2018）·doi:10.1016/j.patcog.2018.02.026 [68] 于斯。；Liu，L.L。；王Z.Y。；戴国忠。；谢义清，转移深度神经网络在乳腺钼靶病变鉴别中的应用，中国科技，62，3，441-447（2018）·doi:10.1007/s11431-017-9317-3 [69] Oliveira，J.E。；Gueld，M.O。；阿劳约，A.d.A。；奥特，B。；Deserno，T.M.，计算机辅助乳房X射线摄影标准参考数据库，《2008年医学成像学报：计算机辅助诊断》 [70] 希思，M。；鲍耶，K。；Kopans，D.，筛查乳房X射线照相术的数字数据库，数字乳房X射线摄影术国际研讨会论文集 [71] 莫雷拉，I.C。；阿马拉，I。；多明格斯一世。；Cardoso，A。；Cardoso，M.J。；Cardoso，J.S.，INbreast，学术放射学，19，2，236-248（2012）·doi:10.1016/j.acra.2011.09.014 [72] Suckling，J。；Parker，J。；Dance，D.R.，乳房X光图像分析学会数字乳房X光照片数据库，《数字乳房X射线摄影国际研讨会论文集》，摘录医学国际会议系列 [73] 刘，N。；沈，J。；徐，M。；甘·D。；齐，E.-S。；Gao，B.，用于乳腺癌诊断的改进成本敏感支持向量机分类器，工程数学问题，2018（2018）·doi:10.1155/2018/3875082 [74] 梁，X。；张，Z。；Niu，T.，锥束CT中迭代图像域环伪影消除，《医学与生物学中的物理》，62，13，5276-5292（2017）·doi:10.1088/1361-6560/aa7017 [75] 张，R。；周，W。；李毅。；于斯。；Xie，Y.，基于组织特征的肺部CT图像非刚性配准，医学中的计算和数学方法，2013（2013）·Zbl 1307.92264号 ·doi:10.115/2013/834192 [76] 周，H。；Kuang，Y。；Yu，Z.，基于MRLS-TPS的矢量场插值图像变形，IEEE Access，6，75886-75898（2018）·doi:10.1109/access.2018.2876884 [77] 格林斯潘，H。；van Ginneken，B。；Summers，R.M.，《医学成像的客座编辑深度学习：令人兴奋的新技术的概述和未来前景》，IEEE医学成像学报，35，5，1153-1159（2016）·doi:10.1109/tmi.2016.2553401 [78] Shin，H.-C。；Roth，H.R。；Gao，M.，用于计算机辅助检测的深度卷积神经网络：CNN架构、数据集特征和传输学习，IEEE医学成像学报，35，5，1285-1298（2016）·doi:10.1109/tmi.2016.2528162 [79] 郑，L。；Zhao，Y。；王，S。；Wang，J。；田强，《美国有线电视新闻网（CNN）特写转播的良好实践》，2016年，https://arxiv.org/abs/1604.00133 [80] Tajbakhsh，N。；Shin，J.Y。；Gurudu，S.R.，医学图像分析的卷积神经网络：全面训练还是微调？，IEEE医学成像学报，35，5，1299-1312（2016）·doi:10.1109/tmi.2016.2535302 [81] 埃里克森，B.J。；Korfaitis，P。；Kline，T.L。；阿库斯，Z。；Phillbrick，K。；韦斯顿，A.D.，《放射学深度学习：一种尺寸适合所有人吗？》？，《美国放射学会杂志》，15，3，521-526（2018）·doi:10.1016/j.jacr.2017.12.027 [82] Kotsiantis，S.B。；扎哈拉基斯，I.D。；Pintelas，P.E.，《机器学习：分类和组合技术综述》，《人工智能评论》，26，3，159-190（2006）·doi:10.1007/s10462-007-9052-3 [83] Yosinski，J。；克伦，J。；Y.本吉奥。；Lipson，H.，《深度神经网络的特征如何转移》，《神经信息处理系统进展论文集》 [84] 北斯利瓦斯塔瓦。；辛顿，G。；Krizhevsky，A。；Sutskever，I。；Salakhutdinov，R.，《辍学：防止神经网络过度拟合的简单方法》，《机器学习研究杂志》，1929-1958年，第15期，第1期（2014年）·Zbl 1318.68153号 [85] 查特菲尔德，K。；Simonyan，K。；Vedaldi，A。；Zisserman，A.，《细节中的魔鬼回归：深入研究卷积网》，2014年，https://arxiv.org/abs/1405.3531 [86] 张，Z。；戴，G。；梁，X。；于斯。；李，L。；Xie，Y.，Can信噪比作为医学图像质量评估的基线指标，IEEE Access，6，11534-11543（2018）·doi:10.1109/access.2018.2796632 [87] 奥利弗。；Freixenet，J。；Martí，J.，乳腺造影图像中的自动肿块检测和分割综述，医学图像分析，14，2，87-110（2018）·doi:10.1016/j.media.2009.12.005 [88] 萨马拉，R.K。；Chan，H.-P。；Hadjiiski，L.M。；Helvie，文学硕士。；里希特，C。；Cha，K.，数字乳腺断层合成中用于乳腺癌诊断的转移学习深度卷积神经网络的进化剪枝，医学与生物物理，63，9（2018）·doi:10.1088/1361-6560/aabb5b [89] 本多夫，M。；赫尔达，C。；兰格，M。；Kotter，E.，《以可访问格式提供DDSM乳房X射线照相元数据》，《医学物理学》，第41、5页（2014年）·数字对象标识代码：10.1118/1.4870379 [90] 医学博士泽勒。；Fergus，R.，可视化和理解卷积网络，欧洲计算机视觉会议论文集·doi:10.1007/978-3-319-10590-1_53 [91] Maaten，L.V.D。；Hinton，G.，使用t-SNE可视化数据，机器学习研究杂志，92579-2605（2008）·兹比尔1225.68219 [92] Lei，N。；罗，Z。；柳，S.-T。；顾德欣，深度学习的几何理解，2018，https://arxiv.org/abs/1805.10451 [93] 蒙塔文，G。；萨梅克，W。；Müller，K.-R.，《解释和理解深层神经网络的方法》，《数字信号处理》，第73期，第1-15页（2018年）·doi:10.1016/j.dsp.2017.10.11 [94] Xing，L。；Krupinski，E.A。；蔡，J.，《人工智能将很快改变医学物理研究和实践的格局》，《医学物理》，45,1791-1793（2018）·doi:10.1002/mp.12831 [95] 黄，Q。；黄，X。；刘，L。；Lin，Y。；长X。；Li，X.，面向案例的乳腺癌诊断网络培训系统，生物医学中的计算机方法和程序，156，73-83（2018）·doi:10.1016/j.cpb.2017.12.028 [96] 顾，D。；Liang，C。；赵浩，基于加权异质值距离度量的乳腺癌诊断案例推理系统，医学人工智能，77，31-47（2017）·doi:10.1016/j.artmed.2017.02.003 [97] 江，M。；张，S。；李，H。；Metaxas，D.N.，使用可缩放图像检索对乳腺肿块进行计算机辅助诊断，IEEE生物医学工程学报，62，2783-792（2015）·doi:10.1109/tbme.2014.2365494 [98] 荷兰，K。；Gubern-Mérida，A。；曼恩·R·M。；Karssemeijer，N.，《数字乳房X光照片中乳房体积密度估计的优化》，《医学和生物学中的物理学》，62，9，3779-3797（2017）·doi:10.1088/1361-6560/aa628f [99] Lee，J。；Nishikawa，R.M.，使用完全卷积网络的自动乳房X射线照相乳房密度估计，医学物理学，45，3，1178-1190（2018）·doi:10.1002/mp.12763 [100] 米奥托，R。；Wang，F。；王，S。；蒋，X。；Dudley，J.T.，《医疗保健的深度学习：回顾、机遇和挑战》，《生物信息学简报》，19，6，1236-1246（2017）·doi:10.1093/bib/bbx044 [101] 窦，Q。；Yu，L。；Chen，H.，三维深度监督立体医学图像自动分割网络，医学图像分析，41，40-54（2017）·doi:10.1016/j.media.2017.05.001 [102] Yun，J。；Park，J。；Yu，D.，使用2.5维卷积神经网络改进容积CT图像的全自动气道分割，医学图像分析，51，13-20（2019）·doi:10.1016/j.media.2018.10.006 [103] 卡内罗，G。；Nascimento，J。；Bradley，A.P.，使用预先训练的深度学习模型进行未注册的多视角乳房X光片分析，医学图像计算和计算机辅助干预（MICCAI）国际会议论文集·doi:10.1007/978-3-319-24574-478 [104] Dhungel，N。；卡内罗，G。；Bradley，A.P.，使用深度剩余神经网络对乳房X光片进行全自动分类，2017年IEEE第14届国际生物医学成像研讨会论文集（ISBI 2017） [105] Al-masni，医学硕士。；Al-antari，医学硕士。；Park，J.M.，通过区域卷积神经网络检测和分类数字乳房X光照片中的乳房异常，IEEE医学和生物学会工程年度国际会议论文集 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。