摘要
关键点
介绍
术语
什么是CNN:大局(图 1 )
CNN架构的构建块
卷积层
卷积
非线性激活函数
水池层
最大池数
全球平均池
全连接层
最后一层激活功能
训练网络
损失函数
梯度下降
数据和地面真相标签
过度拟合
小数据集培训
放射学应用
分类
细分
检测
其他
挑战和未来方向
结论
缩写
1D: -
一维 二维(2D): -
二维 三维: -
三维 计算机辅助设计: -
计算机辅助诊断 计算机辅助设计: -
计算机辅助检测 计算机辅助制造: -
类激活映射 中国: -
卷积神经网络 计算机断层扫描: -
计算机断层扫描 固定基地生产商: -
过滤反投影 GAN公司: -
生成性对抗网络 GPU(通用分组): -
图形处理单元 电气与电子工程师协会: -
电气与电子工程师协会 ILSVRC: -
ImageNet大规模视觉识别竞赛 ISBI公司: -
IEEE生物医学成像国际研讨会 LIDC-IDRI公司: -
肺图像数据库联盟和图像数据库资源倡议 核磁共振成像: -
磁共振成像 PET(聚酯): -
正电子发射断层成像 重置逻辑单元: -
整流线性单元 RI公司: -
放射性同位素 RGB(RGB): -
红色、绿色和蓝色 可持续发展集团: -
随机梯度下降算法
工具书类
LeCun Y、Bengio Y、Hinton G(2015)《深度学习》。 自然521:436–444 Russakovsky O,Deng J,Su H等人(2015)ImageNet大规模视觉识别挑战。 国际计算机视觉杂志115:211–252 Krizhevsky A,Sutskever I,Hinton GE(2012),深度卷积神经网络的ImageNet分类。 高级神经信息处理系统25。 在线获取地址: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf 。2018年1月22日访问 Gulshan V,Peng L,Coram M等人(2016)在视网膜眼底照片中检测糖尿病视网膜病变的深度学习算法的开发和验证。 雅玛316:2402–2410 Esteva A,Kuprel B,Novoa RA等人(2017)皮肤科医生级别的皮肤癌深度神经网络分类。 自然542:115–118 Ehteshami Bejnordi B、Veta M、Johannes van Diest P等人(2017)乳腺癌女性淋巴结转移检测的深度学习算法诊断评估。 日本医学会318:2199–2210 Lakhani P,Sundaram B(2017)胸部X射线摄影深度学习:使用卷积神经网络对肺结核进行自动分类。 放射学284:574–582 Yasaka K,Akai H,Abe O,Kiryu S(2018)利用卷积神经网络进行深度学习,以在动态增强CT下鉴别肝脏肿块:一项初步研究。 放射学286:887–896 Christ PF、Elshaer MEA、Ettlinger F等人(2016)使用级联全卷积神经网络和3D条件随机场在CT中自动分割肝脏和病变。 收录人:Ourselin S、Joskowicz L、Sabuncu M、Unal G、Wells W(编辑)《医学图像计算和计算机辅助干预学报》——2016年MICCAI。 https://doi.org/10.1007/978-3-319-46723-8_48 Kim KH,Choi SH,Park SH(2018)通过深度学习改进动脉自旋标记。 放射学287:658–666。 https://doi.org/10.1148/radiol.20171154 Liu F,Jang H,Kijowski R,Bradshaw T,McMillan AB(2018)PET/MR成像基于深度学习MR成像的衰减校正。 放射学286:676–684 Chen MC、Ball RL、Yang L等(2018)深入学习分类放射学自由文本报告。 放射学286:845–852 Hubel DH,Wiesel TN(1968)猴纹状体皮层的感受野和功能结构。 《生理学杂志》195:215–243 Fukushima K(1980)Neocognitron:不受位置变化影响的模式识别机制的自组织神经网络模型。 生物Cybern 36:193–202 Aerts HJ、Velazquez ER、Leijenaar RT等人(2014)使用定量放射方法通过无创成像解码肿瘤表型。 国家公社5:4006 Lambin P、Rios-Velazquez E、Leijenaar R等人(2012)《放射医学:使用高级特征分析从医学图像中提取更多信息》。 《欧洲癌症杂志》48:441–446 Nair V,Hinton GE(2010),整流线性单元改善了受限的Boltzmann机器。 摘自:第27届机器学习国际会议论文集。 在线获取地址: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.165.6419&rep=rep1&type=pdf 。2018年1月23日访问 Ramachandran P、Zoph B、Le QV(2017)《激活功能搜索》。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1710.05941.pdf 。2018年1月23日访问 Glrot X,Bordes A,Bengio Y(2011)深度稀疏整流器神经网络。 摘自:第14届国际人工智能与统计会议记录,第15卷,第315-323页 Lin M,Chen Q,Yan S(2013)《网络中的网络》,arXiv。 在线获取地址: https://arxiv.org/pdf/1312.4400.pdf 。2018年1月22日访问 Qian N(1999)关于梯度下降学习算法中的动量项。 神经网络12:145–151 Kingma DP,Ba J(2014)Adam:一种随机优化方法。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1412.6980.pdf 。2018年1月23日访问 Ruder S(2016)梯度下降优化算法概述。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1609.04747.pdf 。2018年1月23日访问 Clark K、Vendt B、Smith K等人(2013)《癌症成像档案(TCIA):维护和操作公共信息库》。 J数字成像26:1045–1057 Wang X,Peng Y,Lu L,Lu Z,Bagheri M,Summers RM(2017)胸部X射线8:医院级胸部X射线数据库和常见胸部疾病弱监督分类和定位基准。 摘自:2017年IEEE计算机视觉和模式识别会议记录,第3462-3471页。 https://doi.org/10.109/CVPR.2017.369 Park SH,Han K(2018)《人工智能技术用于医疗诊断和预测的临床性能和效果评估方法指南》。 放射学286:800–809 Hinton GE、Srivastava N、Krizhevsky A、Sutskever I、Salakhutdinov RR(2012)《通过防止特征检测器的协同适应来改进神经网络》。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1207.0580.pdf 。2018年1月22日访问 Ioffe S,Szegedy C(2015)《批量规范化:通过减少内部协变量偏移来加速深层网络训练》。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1502.03167.pdf 。2018年1月22日访问 钟Z,郑L,康G,李S,杨Y(2017)随机擦除数据增强。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/170804896.pdf 。2018年1月27日访问 Simonyan K,Zisserman A(2015)用于大规模图像识别的极深卷积网络。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1409.1556.pdf 。2018年1月22日访问 何科,张X,任S,孙J(2016)图像识别的深度剩余学习。 摘自:2016年IEEE计算机视觉和模式识别会议(CVPR)会议记录。 https://doi.org/10.109/CVPR.2016.90 Szegedy C,Liu W,Jia Y等(2015)《卷积的深入研究》。 摘自:2015年IEEE计算机视觉和模式识别会议(CVPR)会议记录。 https://doi.org/10.1109/CVR.2015.7298594 Huang G,Liu Z,van der Maaten L,Weinberger KQ(2017)稠密连接卷积网络。 摘自:2017年IEEE计算机视觉和模式识别会议(CVPR)会议记录。 https://doi.org/10.109/CVPR.2017.243 Zeiler MD,Fergus R(2014),《可视化和理解卷积网络》。 收录:《计算机视觉学报-ECCV 2014》,第8689卷,第818–833页 Yosinski J、Clune J、Bengio Y、Lipson H(2014)深度神经网络中的特征如何可转移? arXiv公司。 在线获取地址: https://arxiv.org/pdf/1411.792.pdf 。2018年1月25日访问 Lee DH(2013)Pseudo-label:深度神经网络的简单高效半监督学习方法。 摘自:2013年ICML研讨会论文集:表征学习的挑战。 在线获取地址: http://deeplearning.net/wp-content/uploads/2013/03/pseudo_label_final.pdf 。2018年1月23日访问 Salimans T、Goodfellow I、Zaremba W、Cheung V、Radford A、Chen X(2016)《改进GAN训练技术》。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1606.03498.pdf 。2018年1月23日访问 Liang M,Tang W,Xu DM等(2016)肺癌低剂量CT筛查:计算机辅助检测漏诊肺癌。 放射学281:279–288 Setio AA、Ciompi F、Litjens G等(2016)CT图像中的肺结节检测:使用多视图卷积网络减少假阳性。 IEEE Trans-Med成像35:1160–1169 Armato SG 3rd、McLennan G、Bidaut L等人(2011)肺图像数据库联盟(LIDC)和图像数据库资源倡议(IDRI):一个完整的CT扫描肺结节参考数据库。 医学物理学38:915–931 van Ginneken B、Armato SG 3rd、de Hoop B等人(2010年)《计算机断层扫描中肺部结节计算机辅助检测算法的比较与组合:ANODE09研究》。 医学图像分析14:707–722 Pedersen JH、Ashraf H、Dirksen A等人(2009)丹麦随机肺癌CT筛查试验总体设计和流行轮结果。 《胸科肿瘤杂志》4:608–614 Kang G,Liu K,Hou B,Zhang N(2017)用于肺结节分类的三维多视图卷积神经网络。 公共图书馆·综合频道12:e0188290。 https://doi.org/10.1371/journal.pone.0188290 Lucchesi FR,Aredes ND(2016)《来自癌症基因组图谱宫颈鳞癌和宫颈内膜腺癌(TCGA-CESC)收集的放射学数据》。 癌症影像档案。 https://doi.org/10.7937/K9/TCIA.2016.SQ4M8YP4 Kurata Y,Nishio M,Fujimoto K等人(2018)使用U-net在MRI上自动分割恶性肿瘤子宫。 附:2018年计算机辅助放射外科(CARS)大会会议记录(已接受) Lu F,Wu F,Hu P,Peng Z,Kong D(2017)通过卷积神经网络和图形切割实现三维肝脏自动定位和分割。 国际J计算机辅助放射外科12:171–182 Boykov Y,Veksler O,Zabih R(2001)通过图形切割实现快速近似能量最小化。 IEEE Trans-Pattern Ana Mach Intell 23:1222-1239 Ronneberger O,Fischer P,Brox T(2015)U-net:用于生物医学图像分割的卷积网络。 收录于:Navab N、Horneger J、Wells W、Frangi A(eds)《医学图像计算和计算机辅助干预程序——2015年MICCAI》。 https://doi.org/10.1007/978-3-319-24574-4_28 Milletari F、Navab N、Ahmadi S-A(2016)V-net:用于体积医学图像分割的完全卷积神经网络。 摘自:2016年第四届国际3D视觉会议(3DV)会议记录。 https://doi.org/10.109/3DV.2016.79 Kooi T、Litjens G、van Ginneken B等人(2017),计算机辅助检测乳腺癌病变的大规模深度学习。 医学图像分析35:303–312 国家肺部筛查试验研究团队,Aberle DR,Adams AM等人(2011年)通过低剂量CT筛查降低肺癌死亡率。 《新英格兰医学杂志》365:395–409 Chen H、Zhang Y和Zhang W等人(2017),通过卷积神经网络进行低剂量CT。《生物光学快报》8:679–694 Nishio M、Nagashima C、Hirabayashi S等人(2017)超低剂量CT图像去噪的卷积自动编码器。Heliyon 3:e00393。 https://doi.org/10.1016/j.heliyon.2017.e00393 Jin KH,McCann MT,Froustey E,Unser M(2017)成像逆问题的深度卷积神经网络。 IEEE Trans-Image处理26:4509–4522 Yan K,Wang X,Lu L,Summers RM(2017)《深层病变:使用大规模临床病变注释对重要放射学图像发现进行自动化深度挖掘、分类和检测》。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1710.01766.pdf 。2018年1月29日访问 Ren S,He K,Girshick R,Sun J(2017)《更快的R-CNN:利用区域提议网络实现实时目标检测》。 IEEE Trans-Pattern Ana Mach Intell公司39:1137–1149 Pennington J、Socher R、Manning CD(2014)《全球向量:单词表征的全球向量》。 摘自:《2014年自然语言处理实证方法会议论文集》,第1532-1543页。 https://doi.org/10.115/v1/D14-1162 Zhou B,Khosla A,Lapedriza A,Oliva A,Torralba A(2016)学习区分性本地化的深层特征。 摘自:2016年IEEE计算机视觉和模式识别会议(CVPR)会议记录。 https://doi.org/10.109/CVPR.2016.319 Selvaraju RR、Cogswell M、Das A、Vedantam R、Parikh D、Batra D(2017)Grad-CAM:通过基于梯度的本地化从深层网络中进行可视化解释。 2017年IEEE国际计算机视觉会议(ICCV)会议记录。 https://doi.org/10.1109/ICCV.2017.74 Szegedy C、Zaremba W、Sutskever I等人(2014),神经网络的有趣特性。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1312.6199.pdf 。2018年1月24日访问 Goodfellow IJ、Shlens J、Szegedy C(2014)《解释和利用对抗性示例》。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1412.6572.pdf 。2018年1月24日访问 Su J,Vargas DV,Sakurai K(2018)愚弄深层神经网络的单像素攻击。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1710.08864.pdf 。2018年1月24日访问 Brown TB,ManéD,Roy A,Abadi M,Gilmer J(2018)对抗性补丁。 arXiv公司。 在线获取地址: https://arxiv.org/pdf/1712.09665.pdf 。2018年1月24日访问