[论文解读] Medical Image Segmentation using 3D Convolutional Neural Networks: A Review.

S. Niyas, S. J. Pawan+2 more|arXiv (Cornell University)|Aug 19, 2021

AI in cancer detection参考文献 94被引用 4

一句话总结

本文综述了用于医学图像分割的3D卷积神经网络（3D CNNs），强调其在提高诊断准确性和治疗规划方面日益增长的作用。文章探讨了关键网络架构、3D数据处理中的挑战，并指出了深度学习在容积医学影像领域中的研究空白与未来方向。

ABSTRACT

Computer-aided medical image analysis plays a significant role in assisting medical practitioners for expert clinical diagnosis and deciding the optimal treatment plan. At present, convolutional neural networks (CNN) are the preferred choice for medical image analysis. In addition, with the rapid advancements in three-dimensional (3D) imaging systems and the availability of excellent hardware and software support to process large volumes of data, 3D deep learning methods are gaining popularity in medical image analysis. Here, we present an extensive review of the recently evolved 3D deep learning methods in medical image segmentation. Furthermore, the research gaps and future directions in 3D medical image segmentation are discussed.

研究动机与目标

• 提供关于3D卷积神经网络在医学图像分割领域最新进展的全面综述。
• 分析处理大规模3D医学影像数据所面临的技术挑战。
• 识别使用深度学习进行3D医学图像分割中的关键研究空白。
• 概述提升3D分割模型准确性、效率和临床适用性的未来研究方向。

提出的方法

• 对基于3D CNN的医学图像分割方法的同行评审文献进行系统性综述。
• 根据网络设计、损失函数和数据增强技术对3D CNN架构进行分类。
• 分析推动高效3D深度学习推理的软硬件进展。
• 评估模型在MRI、CT和PET等不同医学影像模态下的性能表现。
• 识别在泛化能力、可解释性及计算成本方面的常见局限性。
• 综合分析3D网络设计中的趋势与创新，包括U-Net变体和注意力机制。

实验结果

研究问题

• RQ1 在不同影像模态下，哪些3D CNN架构在医学图像分割中最为有效？
• RQ2 在分割精度和计算效率方面，3D CNN与2D及2.5D方法相比如何？
• RQ3 哪些关键技术与临床挑战阻碍了3D CNN在常规医学实践中的应用？
• RQ4 数据增强和损失函数在提升3D分割性能方面发挥什么作用？
• RQ5 哪些未来研究方向最有可能推动3D医学图像分割的发展？

主要发现

• 与2D方法相比，3D CNN在捕捉容积医学图像中的空间上下文方面表现出更优性能。
• 如3D U-Net及其变体等架构已成为标准，因其能够有效保持空间层次结构。
• 注意力机制与残差连接的整合提升了在小尺寸或复杂结构上的分割精度。
• 尽管已有进展，模型在不同数据集和临床环境中的泛化能力仍面临挑战。
• 计算需求高和推理时间长仍是实现实时临床部署的重大障碍。
• 未来研究应聚焦于自监督和弱监督学习，以减少对大规模标注数据集的依赖。