深度学习与生物医学图像分析2020年综述.docxVIP

深度学习与生物医学图像分析2020年综述  深度学习（Deep Learning，DL）是指一类基于人工神经网络的机器学习算法。随着深度学习理论的发展和计算机性能的提升，深度学习已经被应用到了许多领域，包括语音识别、图像识别、自然语言处理等。在生物医学图像分析领域，深度学习日益成为领先的方法。本文旨在综述2020年深度学习与生物医学图像分析领域的最新研究进展，包括图像分割、目标检测、分类等方面。 1.图像分割 图像分割是指将一幅图像分成多个区域或者将图像中的某一个物体从背景中分割出来。传统的图像分割方法往往需要手动调整参数和选择特征，很难适用于复杂的场景。随着深度学习的发展，图像分割的效果取得了很大的提升。 （1）U-Net网络 U-Net网络是一种经典的用于生物医学图像分割的深度学习模型。2020年，研究者们在U-Net的基础上进行了改进，在保留低层次的特征的同时增强了高层次特征的表达能力。对于常见的医学图像分割任务，该方法的Dice系数、灵敏度和特异度都要优于U-Net。 （2）ASPP网络 ASPP（Atrous Spatial Pyramid Pooling）网络是一种多尺度空间金字塔池化方法，该方法可以在不引入额外参数的情况下扩大感受野。2020年，一些研究者在ASPP网络的基础上进行了改进，提出了一个新的多级ASPP网络。该网络在Cholec80和ISIC