医学图像3D目标检测

论文：3D Bounding Box Detection in Volumetric Medical Image Data: A Systematic Literature Review

这篇论文综述了近五年在三维医学数据中进行3D Bouding Box Detection的方法。

1、论文背景
VOI的提取是重要的预处理步骤，例如在组织中对恶性肿瘤进行分割或分类的任务中那个，通常需要先对相应的组织进行定位。尤其是较小器官的语义分割会受益于预先定位。

3D医学图像主要来源于CT,MRI,PET,US,HFU等成像设备。

两种3D Bounding Box的表示方式：

• 中心点坐标+长宽高
• 位于对角的两点坐标

3D检测使用3D图像作为输入来检测3D BBOX(Bouding Box，下同)，3D CNN使用3D而不是2D的卷积核，在三个轴进行卷积，可以捕获切片之间的文本信息。3D的方法通常可以获得更好的结果，但需要消耗大量的计算资源，并且，3D训练数据通常比同等程度下的2D数据更难获取。

使用2D CNN来获取3D BBOX的流程：

使用3次单个的2D CNN，或者在三个截面上使用独立的三个CNN。然后将2D模型处理后的结果进行融合。

通过多数投票的方式来确定3D BBOX

2D相较于3D方法的优势：

1.较低的计算开销

2.较大量的训练数据（可以将3D数据切成大量Slices）

劣势在于：

1.文本信息（空间上下文信息）通常被丢失

2.检测结果的Slices需要被集成来获取一个3D BBOX，可能存在空间不连续性的问题

目前的方法主要分为以下几种：

1. 基于切片的Box Detection
2. 粗分割/概率图方法
3. 深度强化学习
4. 基于Anchor的方法
5. 其他方法（如3D Sliding Window）
   结果的评价通常基于以下参数：IoU,Dice,AP.WD.

参考：综述文章：医学图像中的3D 目标检测

版权声明：本文为CSDN博主「juluwangriyue」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/juluwangriyue/article/details/122848602