文章目录

0 引言

1 图结构视角下的医学图像

1.1 专业医疗设备的数据采集

1.2 医学图像数据的图结构转换

1.3 基于医学图像特征的图结构重构

2 GCN理论基础

2.1 图卷积层

    2.1.1 基于频谱的图卷积操作

    2.1.2 基于空间域的图卷积操作

2.2 图池化层

2.3 图正则化层

2.4 图读出层

3 GCN改进

3.1 跳跃连接机制

3.2 inception机制

3.3 图注意力机制

3.4 邻接矩阵重构

4 GCN在医学图像分析上的应用

4.1 结构分割

    4.1.1 血管分割

    4.1.2 组织分割

4.2 疾病检测

    4.2.1 脑部疾病检测

    4.2.2 胸部疾病检测

    4.2.3 其他疾病检测

4.3 图像重建

5 结语

文章摘要:以卷积神经网络为代表的深度学习技术推动神经网络在医学图像研究领域不断实现新突破。然而,平移不变性等理论假设限制了卷积神经网络在非欧氏空间数据中的表达能力,是医学图像深度学习技术亟待突破的瓶颈。图卷积技术不仅能够解决非欧氏空间数据的拓扑建模难题,还实现了空间特征提取,是深度学习技术全新的研究方向。本文对图卷积网络在医学图像领域的相关理论及其应用进行综述,旨在系统归纳和全面总结医学图像领域最新的图卷积理论、方法和实践,包括图结构视角下医学图像的专业采集、数据结构的剪枝转换以及特征聚类重构方法;图卷积网络的理论溯源,重要的网络架构和发展脉络;图卷积网络的优化方向和衍生出的跳跃连接、inception、图注意力等重要机制;图卷积网络在医学图像分割、疾病检测和图像重建等方面的实践应用。最后,提出了图卷积网络在医学图像分析领域仍亟待突破的瓶颈问题:1)多模态医学图像学习中,异构图的构建与学习任务的优化;2)特征重构和池化过程中,如何通过构图算法设计与神经架构搜索算法结合,以实现最优图结构的可学习过程转换;3)高质量图结构医学标注数据的大规模低成本生成与生成对抗网络的算法设计。随着人工智能技术的不断发展和医学影像规模的不断扩大,以图卷积为代表的深度学习方法必将在医疗辅助诊断领域取得更大的突破。

文章关键词:

项目基金: