标题：Deep Domain Adaptive Object Detection: a Survey（深度域适应目标检测）
作者：Wanyi Li, Peng Wang
单位：**科学院自动化研究所
链接：https://arxiv.org/abs/2002.06797
本文共梳理了46篇相关文献，由中科院自动化所学者发布。基于深度学习(DL)的目标检测已经取得了很大的进展，这些方法通常假设有大量的带标签的训练数据可用，并且训练和测试数据从相同的分布中提取。然而，这两个假设在实践中并不总是成立的。深域自适应目标检测(DDAOD)作为一种新的学习范式应运而生。本文综述了深域自适应目标检测方法的研究进展。
标题：Foreground-Background Imbalance Problem in Deep Object Detectors: A Review（深度目标检测器中前景-背景不平衡问题综述）
作者： Joya Chen, Tong Xu
单位： **科学技术大学
链接： https://arxiv.org/abs/2006.09238
本文研究了不平衡问题解决方案的最新进展。分析了包括一阶段和两阶段在内的各种深度检测器中不平衡问题的特征。将现有解决方案分为两类：抽样和非抽样方案，并在COCO上进行了实验对比。
- 用于解决各种对象检测框架中的前景-背景不平衡问题的不同解决方案总结（即基于anchor-based one-stage, anchor-free onestage, two-stage的方法）。 这些解决方案包括小批量偏差采样，OHEM，IoU平衡采样，人为丢失，GHM-C，ISA，ResObj，免采样，AP丢失，DR丢失。文章在检测管道中可视化它们的使用范围。
- 前景-背景不平衡问题的不同解决方案的比较。 文章通过准确性（AP），相对准确性改进（∆AP），超参数的数量（参数）和效率（速度）进行了比较。
标题：A Review and Comparative Study on Probabilistic Object Detection in Autonomous Driving（自动驾驶中的概率目标检测方法综述与比较研究）
作者：Di Feng,Ali Harakeh,Steven Waslander,Klaus Dietmayer
链接：https://arxiv.org/abs/2011.10671
近年来，深度学习已成为实际的目标检测方法，并且提出了许多概率目标检测器。然而，关于深度目标检测的不确定性估计尚无总结，而且现有方法不仅建立在不同的网络上架构和不确定性估算方法，而且还可以使用各种评估指标对不同的数据集进行评估。结果，方法的比较仍然具有挑战性，最适合特定应用的模型选择也是如此。本文旨在通过对现有的用于自动驾驶应用的概率目标检测方法进行回顾和比较研究,来缓解这一问题。
- 城市驾驶场景中概率对象检测的概念图。使用分类概率对每个对象进行分类，并使用置信区间预测其边界框。 RGB相机图像来自BDD100k数据集。
- 不确定性估计在自动驾驶中的应用及实例参考
- 最先进的概率目标检测器中通常包含的关键构建块的插图，包括基础网络，检测头和后处理阶段。架构图下方还列出了每个构件的可能变体。 2D图像上的输出检测结果显示为类别概率（橙色），边界框平均值（红色）和边界框角协方差矩阵的95％置信度等值线（绿色）。
- 概率目标检测器概述
- 通过测试BDD验证数据集上的检测器，不进行数据集偏移的评估。将所有七个动态对象类别的结果取平均值。 对于NLL，较低的值表示较好的性能。
标题：An Overview Of 3D Object Detection（三维目标检测技术综述）
作者： Yilin Wang, Jiayi Ye
单位： 阿尔伯塔大学
链接：https://arxiv.org/abs/2010.15614
本文共梳理37篇相关文献。由阿尔伯塔大学学者发布。点云3D对象检测最近受到了广泛关注，并成为3D计算机视觉社区中一个活跃的研究主题。 然而，由于点云的复杂性，在LiDAR（光检测和测距）中识别3D对象仍然是一个挑战。 行人，骑自行车的人或交通锥等物体通常用稀疏点表示，这使得仅使用点云进行检测就相当复杂。 在这个项目中，我们提出了一个使用RGB和点云数据来执行多类对象识别的框架。 我们使用现有的2D检测模型来定位RGB图像上的感兴趣区域（ROI），然后在点云中进行像素映射策略，最后将初始2D边界框提升到3D空间。 我们使用最近发布的nuScenes数据集（包含许多数据格式的大规模数据集）来训练和评估我们提出的体系结构。
标题：Camouflaged Object Detection and Tracking: A Survey（伪装目标检测与跟踪研究综述）
作者：Ajoy Mondal
单位： IIIT Hyderabad
链接：https://arxiv.org/abs/2012.13581
运动目标的检测和跟踪应用于各个领域，包括监视，异常检测，车辆导航等。关于目标检测和跟踪的文献非常丰富，然而，由于其复杂性，对伪装目标检测与跟踪的研究目前取得的进展有限。本文从理论角度回顾了基于计算机视觉算法的现有伪装目标检测和跟踪技术。还讨论了该领域中一些值得探讨的问题及未来的研究方向。
- 各种挑战的直观图示上图为（a）照明变化，（b）背景杂波，（c）部分遮挡，（d）完全遮挡，（e）物体比例改变，（f）物体方向改变，（g）伪装物体，（h ）姿势变化，以及（i）不规则形状的物体。
标题：A Survey on Deep Learning Methods for Semantic Image Segmentation in Real-Time（深度学习实时语义图像分割方法综述）
作者： Georgios Takos
链接：https://arxiv.org/abs/2009.12942
本文共梳理了9篇相关文献。语义图像分割是计算机视觉中增长最快的领域之一，具有多种应用程序。 在许多领域，例如机器人技术和自动驾驶汽车，语义图像分割至关重要，因为语义分割为基于像素级别的场景理解提供了采取动作所需的必要上下文。 此外，医学诊断和治疗的成功取决于对所考虑数据的极其准确的理解，并且语义图像分割是许多情况下的重要工具之一。 深度学习的最新发展提供了许多工具来有效地解决这一问题，并且提高了准确性。 这项工作对图像分割中的最新深度学习体系结构进行了全面分析，更重要的是，它提供了广泛的技术列表以实现快速推理和计算效率。
标题：Image Segmentation Using Deep Learning: A Survey（使用深度学习进行图像分割：综述）
作者：Shervin Minaee, Demetri Terzopoulos
链接：https://arxiv.org/abs/2001.05566
本文梳理了172篇相关文献。最近，由于深度学习模型在各种视觉应用中的成功，已经有大量旨在利用深度学习模型开发图像分割方法的工作。本文提供了对文献的全面回顾，涵盖了语义和实例级分割的众多开创性作品，包括全卷积像素标记网络，编码器-解码器体系结构，多尺度以及基于金字塔的方法，递归网络，视觉注意模型和对抗环境中的生成模型。本文研究了这些深度学习模型的相似性，优势和挑战，研究了使用最广泛的数据集，报告了性能，并讨论了该领域有希望的未来研究方向。
- DeepLabV3在样本图像上的分割结果
- U-net模型。 蓝色框表示具有其指定形状的要素地图块
- DeepLabv3 +模型
- 2014年至2020年基于DL的2D图像分割算法的时间轴。橙色，绿色和黄色块分别表示语义，实例和全景分割算法
- 以mIoU和平均准确度（mAcc）表示，NYUD-v2和SUN-RGBD数据集上的分割模型的性能
标题：Unsupervised Domain Adaptation in Semantic Segmentation: a Review（语义分割中的无监督自适应研究进展）
作者：Marco Toldo, Pietro Zanuttigh
链接：https://arxiv.org/abs/2005.10876
本文共梳理120篇相关文献。本文的目的是概述用于语义分割的深度网络的无监督域自适应（UDA）的最新进展。 这项任务引起了广泛的兴趣，因为语义分割模型需要大量的标记数据，而缺乏适合特定要求的数据是部署这些技术的主要限制。
- 从分类（稀疏任务）到语义分割（密集任务）的一些样本图像上一些可能的视觉任务的概述
- 可以在不同的空间执行域移位自适应：输入级别，功能级别和输出级别
- 最受欢迎的用于语义分割的UDA策略的维恩图。 每种方法都属于代表使用的自适应技术的集合
标题：A survey of loss functions for semantic segmentation（语义分割损失函数综述）
作者：Shruti Jadon
链接：https://arxiv.org/abs/2006.14822
本文共梳理了23篇相关文献。在本文中，我们总结了一些众所周知的损失函数，这些函数广泛用于图像分割，并列出了使用它们可以帮助快速，更好地收敛模型的情况。 此外，我们还引入了新的log-cosh骰子损失函数，并将其在NBFS头骨分割开源数据集上的性能与广泛使用的损失函数进行了比较。 我们还展示了某些损失函数在所有数据集上都能很好地发挥作用，并且在未知的数据分发方案中可以被视为很好的基准选择。
标题：A Survey on Instance Segmentation: State of the art（实例分割技术综述）
作者：Abdul Mueed Hafiz, Ghulam Mohiuddin Bhat
链接：https://arxiv.org/abs/2007.00047
本文共梳理143篇相关文章，由克什米尔大学的学者发布。目标检测或定位是从粗略到精细的数字图像推断的增量步骤。它不仅提供图像对象的类别，而且还提供已分类图像对象的位置。该位置以边界框或质心的形式给出。语义分割可通过预测输入图像中每个像素的标签来进行精细推断。每个像素根据其所在的对象类别进行标记。为进一步发展，实例分割为属于同一类的对象的单独实例提供了不同的标签。因此，实例分割可以被定义为同时解决对象检测和语义分割问题的技术。在这份关于实例分割的调查论文中，讨论了实例分割的背景，问题，技术，演变，流行的数据集，相关技术以及最新范围。本文为那些希望在实例分割领域进行研究的人提供了宝贵的信息。
- 对象识别的演变从粗略推断到细粒度推断：（a）图像分类（b）对象检测或定位（c）语义分割（d）实例分割
- 实例分割中重要技术的时间表
- PANet框架（a）FPN主干（b）自下而上的路径扩充（c）自适应功能池（d）盒支（e）全连接融合
- Microsoft COCO数据集上值得注意的实例细分工作
标题：A Comprehensive Review for Breast Histopathology Image Analysis Using Classical and Deep Neural Networks（使用经典和深层神经网络进行的乳房组织病理学图像分析的全面综述）
作者：Xiaomin Zhou, Tao Jiang
链接：https://arxiv.org/abs/2003.12255
本文梳理了184篇相关文献，由东北大学学者发布。
乳腺癌是女性中最常见和最致命的癌症之一。 由于组织病理学图像包含足够的表型信息，因此它们在乳腺癌的诊断和治疗中起着不可或缺的作用。 为了提高乳腺组织病理学图像分析（BHIA）的准确性和客观性，人工神经网络（ANN）方法被广泛用于乳腺组织病理学图像的分割和分类任务。 在这篇综述中，我们提出了基于人工神经网络的BHIA技术的全面概述。
H＆E染色的图像类型不同，（a）是正常组织，（b）是良性异常，（c）是原位癌，（d）是浸润性癌。 这些图像来自BACH数据集
标题：Medical Image Registration Using Deep Neural Networks: A Comprehensive Review（使用深度神经网络的医学图像配准：全面综述）
作者：Hamid Reza Boveiri, Ali Reza MehdiZadeh
链接：https://arxiv.org/abs/2002.03401
本文梳理了117篇相关文献。以图像为指导的干预措施正在挽救大量患者的生命，在这些患者中，图像配准问题确实应被视为最复杂的问题。另一方面，由于在当代的多核GPU上实现深度神经网络的可能性，使得机器学习领域取得了巨大的进步，这为许多医疗应用打开了一个有希望的挑战之门，本文对使用深度神经网络进行医学图像配准的最新文献进行了全面回顾，系统地涵盖了该领域的相关作品，包括关键概念，统计分析，关键技术，主要贡献，挑战和未来方向。
标题：Towards Automatic Threat Detection: A Survey of Advances of Deep Learning within X-ray Security Imaging（迈向自动威胁检测：X射线安全成像中深度学习进展综述）
作者：Samet Akcay, Toby Breckon
链接：https://arxiv.org/abs/2001.01293
本文梳理了151篇相关文献，由英国杜伦大学学者发布。X射线安全检查被广泛用于维护航空/运输安全，其重要性引起了对自动检查系统的特别关注。 本文旨在通过将领域分类为常规机器学习和当代深度学习应用程序来回顾计算机化X射线安全成像算法。将深度学习方法分为有监督，半监督和无监督学习，着重论述分类，检测，分割和异常检测任务，同时包含有完善的X射线数据集。
输入的X射线图像和输出取决于深度学习任务（a）通过ResNet-50进行分类，（b）使用YOLOv3进行检测，并通过Mask RCNN进行分割
标题：Deep neural network models for computational histopathology: A survey（用于计算组织病理学的深度神经网络模型综述）
作者：Chetan L. Srinidhi, Anne L. Martel
链接：https://arxiv.org/abs/1912.12378
本文梳理了130篇相关文献，由多伦多大学学者发布。本文对组织病理学图像分析中使用的最新深度学习方法进行了全面回顾，包括有监督，弱监督，无监督，迁移学习等领域，并总结了几个现有的开放数据集。
标题：A scoping review of transfer learning research on medical image analysis using ImageNet（利用ImageNet进行医学图像分析的迁移学习研究述评）
作者：Mohammad Amin Morid, Guilherme Del Fiol
链接：https://arxiv.org/abs/2004.13175
本文共梳理144篇相关文献。在非医学ImageNet数据集上受过良好训练的卷积神经网络（CNN）运用转移学习（TL），近年来在医学图像分析方面显示出令人鼓舞的结果。 本文旨在进行范围界定审查，以识别这些研究并根据问题描述，输入，方法和结果总结其特征。
每个解剖部位使用不同可视化方法的频率。 仅显示包含的研究中总体频率至少为5％的网站
标题：Deep Learning Based Brain Tumor Segmentation: A Survey（基于深度学习的脑肿瘤分割研究综述）
作者：Zhihua Liu, Huiyu Zhou
链接：https://arxiv.org/abs/2007.09479
本文共梳理129篇相关文献。脑肿瘤分割是医学图像分析中一个具有挑战性的问题。脑肿瘤分割的目标是使用正确定位的遮罩生成脑肿瘤区域的准确轮廓。许多基于深度学习的方法已应用于脑肿瘤分割，并获得了令人印象深刻的系统性能。本文的目的是对最近开发的基于深度学习的脑肿瘤分割技术进行全面的调查。本文中涉及的文献广泛涵盖了技术方面，例如不同方法的优缺点，预处理和后处理框架，数据集和评估指标。
标题：A Survey on Deep Learning for Neuroimaging-based Brain Disorder Analysis（基于神经成像的脑疾病分析深度学习研究综述）
作者：Li Zhang, Daoqiang Zhang
链接：https://arxiv.org/abs/2005.04573
本文共梳理131篇相关文献。深度学习最近已用于分析神经影像，例如结构磁共振成像（MRI），功能性MRI和正电子发射断层扫描（PET），并且在传统的机器学习方面，在对脑部疾病的计算机辅助诊断中，其性能得到了显着改善。 本文概述了深度学习方法在基于神经影像的脑部疾病分析中的应用。 本文回顾了深度学习方法，以计算机辅助分析四种典型的脑部疾病，包括阿尔茨海默氏病，帕金森氏病，自闭症谱系障碍和精神分裂症。
标题：A review: Deep learning for medical image segmentation using multi-modality fusion（多模态融合用于医学图像分割的深度学习综述）
作者：Tongxue Zhou, Stéphane Canu
链接：https://arxiv.org/abs/2004.10664
本文共梳理79篇相关文献。多模态在医学成像中被广泛使用，因为它可以提供有关目标（肿瘤，器官或组织）的多信息。使用多模态的细分包括融合多信息以改善分割效果。近来，基于深度学习的方法在图像分类，分割，目标检测和跟踪任务中展现了最先进的性能。由于其对大量数据的自学习和泛化能力，深度学习最近也引起了人们对多模式医学图像分割的极大兴趣。本文概述了基于深度学习的多模式医学图像分割任务方法，提出了不同的深度学习网络架构，然后分析了它们的融合策略并比较了它们的结果，本文还讨论医学图像分割中的一些常见问题。
深度学习网络体系结构摘要，ILSVRC：ImageNet大规模视觉识别挑战
标题：Medical Instrument Detection in Ultrasound-Guided Interventions: A Review（超声引导治疗的医疗器械检测）
作者：Hongxu Yang, Peter H. N. de With
链接：https://arxiv.org/abs/2007.04807
本文共梳理94篇相关文献。医疗器械检测对于计算机辅助干预至关重要，因为它将有助于外科医生更好地解释并有效地找到器械，从而获得更好的结果。 本文回顾了超声引导介入治疗中的医疗仪器检测方法。 本文对仪器检测方法进行了全面的回顾，其中包括传统的非数据驱动方法和数据驱动方法。本文还讨论了超声中医疗器械检测的主要临床应用，包括麻醉，活检，前列腺近距离放射治疗和心脏导管插入术，这些已在临床数据集上得到验证。 最后，我们选择了几本主要出版物来总结计算机辅助干预社区的关键问题和潜在的研究方向。
基于CRF的针头检测的框图。提取并选择每个体素的特征向量，分别用于体素分类和完全连接的3D CRF。借助初始体素分类，3D CRF可以处理所选特征和分割后的体积之间的上下文相关性
标题：A Survey on Incorporating Domain Knowledge into Deep Learning for Medical Image Analysis（域知识驱动的医学图像深度学习研究综述）
作者：Xiaozheng Xie, Shaojie Tang
链接：https://arxiv.org/abs/2004.12150
本文共梳理268篇相关文献。尽管像CNN这样的深度学习模型在医学图像分析中取得了巨大的成功，但医学数据集的小规模仍然是该领域的主要瓶颈。为了解决这个问题，研究人员已经开始寻找超出当前可用医学数据集的外部信息。传统方法通常通过转移学习来利用自然图像中的信息。最近的工作利用医生的领域知识来创建类似于医生的培训方式，模仿其诊断模式或专注于他们特别关注的特征或领域的网络。本文总结了将医学领域知识整合到用于各种任务的深度学习模型中的最新进展，例如疾病诊断，病变，器官和异常检测，病变和器官分割。对于每个任务，本文系统地对已使用的不同种类的医学领域知识及其相应的集成方法进行分类。
信息分类方法和疾病诊断方法；病变，器官和异常检测；病变和器官分割
标题：A Review on End-To-End Methods for Brain Tumor Segmentation and Overall Survival Prediction（脑肿瘤的端到端分割和总体生存预测方法综述）
作者：Snehal Rajput, Mehul S Raval
链接：https://arxiv.org/abs/2006.01632
本文共梳理39篇相关文献。脑肿瘤分割旨在从健康的脑组织中区分出肿瘤组织。肿瘤组织包括坏死，肿瘤周围水肿和活动性肿瘤。相反，健康的脑组织包括白质，灰质和脑脊液。基于MRI的脑肿瘤分割研究正受到越来越多的关注。 1.它不像X射线或计算机断层扫描成像一样照射电离辐射。2.生成内部人体结构的详细图片。MRI扫描输入到基于深度学习的方法中，这些方法可用于自动脑肿瘤分割。来自分段的特征被馈送到预测患者的整体存活的分类器。本文的目的是对涵盖脑肿瘤分割和总体生存预测的最新技术进行全面概述。
标题：Machine learning for COVID-19 detection and prognostication using chest radiographs and CT scans: a systematic methodological review（利用胸片和CT扫描进行冠状病毒检测和预测的机器学习：一项系统方法学综述）
作者： Michael Roberts, Carola-Bibiane Schönlieb (on behalf of the AIX-COVNET collaboration)
链接：https://arxiv.org/abs/2008.06388
本文共梳理108篇相关文献。机器学习方法为根据护理标准胸部X光片（CXR）和计算机断层扫描（CT）图像快速，准确地检测和预测COVID-19提供了广阔的前景。 本文通过OVID搜索EMBASE，通过PubMed检索MEDLINE，bioRxiv，medRxiv和arXiv，以查找从2020年1月1日至2020年10月3日上载的已发表论文和预印本，其中描述了用于诊断或预测COVID-来自CXR或CT图像的19。审查发现，由于方法论上的缺陷和/或潜在的偏见，没有一个模型可以用于临床。鉴于迫切需要验证的COVID-19模型，因此这是一个主要弱点。为了解决这个问题，本文提出了许多建议，如果遵循这些建议，将能很好地解决这些问题以及提供更高质量的模型开发。
标题：A Review on Deep Learning Techniques for the Diagnosis of Novel Coronavirus (COVID-19)（新型冠状病毒(冠状病毒)诊断的深度学习技术综述）
作者： Md. Milon Islam, Jia Zeng
链接：https://arxiv.org/abs/2008.04815
本文共梳理148篇相关文献。新型冠状病毒（COVID-19）爆发已在世界范围内引发了灾难性疾病，并且已成为过去一百年来最严重的疾病之一。深度学习技术已证明是临床医生用于自动诊断COVID-19的武器库中的强大工具。本文旨在概述基于深度学习技术的最新开发的系统，该系统使用诸如计算机断层扫描（CT）和X射线等不同的医学成像模式。这篇综述专门讨论了使用深度学习技术为COVID-19诊断开发的系统，并提供了对用于训练这些网络的知名数据集的见解。本文旨在为专家（医学或其他方面）和技术人员提供有关深度学习技术在这方面的使用方式的新见解，以及它们如何在对抗COVID-19爆发中进一步发挥作用。
标题：A Comprehensive Review for MRF and CRF Approaches in Pathology Image Analysis（病理图像分析中MRF和CRF方法综述）
作者： Chen Li, Hong Zhang
链接：https://arxiv.org/abs/2009.13721
本文共梳理132篇相关文献。病理图像分析是多种疾病临床诊断的重要程序。为了提高诊断的准确性和客观性，如今提出了越来越多的智能系统。在这些方法中，随机场模型在提高调查性能中起着不可或缺的作用。在这篇综述中介绍了基于马尔可夫随机场（MRF）和条件随机场（CRF）的病理图像分析的全面概述，这是两种流行的随机场模型。
使用MaRACel模型和ESD进行Gleason分级的自动腺体分割流程图
标题：Medical Image Segmentation Using Deep Learning: A Survey（基于深度学习的医学图像分割研究综述）
作者： Tao Lei, Asoke K. Nandi
链接：https://arxiv.org/abs/2009.13120
本文共梳理162篇相关文献。本文提出了使用深度学习技术的医学图像分割的综合调查。本文做出了两个原创性贡献。首先，与传统的将医学图像分割的深度学习文献直接分为许多组并针对每个组详细介绍的传统综述相比，本文根据从粗糙到精细的多层次结构对当前流行的文献进行分类。重点关注有监督和弱监督的学习方法，不包括无监督的方法，因为它们已在许多旧调查中引入，并且目前还不流行。对于有监督的学习方法，本文从三个方面分析文献：骨干网的选择，网络块的设计以及损失功能的改进。对于弱监督学习方法，本文分别根据数据扩充，迁移学习和交互式分段来研究文献。
标题： A Survey on Deep Learning and Explainability for Automatic Image-based Medical Report Generation（基于图像的医学报告自动生成的深度学习和可解释性研究综述）
作者： Pablo Messina, Daniel Capurro
链接：https://arxiv.org/abs/2010.10563
本文共梳理159篇相关文献。每年，医生都面临着患者对基于图像的诊断的日益增长的需求，这一问题可以通过最近的人工智能方法来解决。在这种情况下，本文调查了从医学图像自动生成报告的工作，重点是使用深度神经网络的方法，涉及以下方面：（1）数据集，（2）体系结构设计，（3）可解释性和（4） 评估指标。本文的调查确定了有趣的发展，但也存在挑战。 其中，当前对生成的报告的评估特别薄弱，因为它主要依赖于传统的自然语言处理（NLP）度量标准，该度量标准不能准确地反映医学上的正确性。
标题：High-level Prior-based Loss Functions for Medical Image Segmentation: A Survey（基于高层先验损失函数的医学图像分割综述）
作者： Rosana El Jurdia, Fahed Abdallah
链接：https://arxiv.org/abs/2011.08018
如今，深度卷积神经网络（CNN）已经证明了在各种成像方式和任务之间进行监督医学图像分割的最新技术性能。尽管取得了早期的成功，但分割网络仍可能会产生解剖学异常的分割，在对象边界附近出现孔洞或不准确。为了减轻这种影响，最近的研究工作集中在合并空间信息或先验知识以加强解剖学上合理的分割。本文将重点放在损失函数级别的高优先级，根据先验的性质对文章进行分类：对象形状，大小，拓扑和区域间约束。本文重点介绍了当前方法的优势和局限性，讨论了与基于先验损失的设计和整合以及优化策略相关的挑战，并提出了未来的研究方向。
可以从拓扑先验（a），区域间先验（b）中受益的目标细分对象的示例
标题：Deep Learning in Computer-Aided Diagnosis and Treatment of Tumors: A Survey（计算机辅助肿瘤诊疗中的深度学习研究综述）
作者： Dan Zhao, Zhigang Fu
链接：https://arxiv.org/abs/2011.00940
本文共梳理104篇相关文献。肿瘤的计算机辅助诊断和治疗是近年来深度学习的热门话题，它构成了一系列医学任务，例如检测肿瘤标志物，肿瘤的轮廓，肿瘤的亚型和分期，预测治疗效果，以及药物开发。同时，在主流任务场景中产生了一些具有精确定位和出色性能的深度学习模型。因此，本文从任务导向的角度介绍深度学习方法，主要侧重于医疗任务的改进。然后总结了肿瘤诊断和治疗四个阶段的最新进展，分别是体外诊断（IVD），影像学诊断（ID），病理学诊断（PD）和治疗计划（TP）。根据每个阶段的特定数据类型和医疗任务，本文介绍了深度学习在肿瘤计算机辅助诊断和治疗中的应用并分析了其中的出色著作。
标题：Multiple Sclerosis Lesion Segmentation -- A Survey of Supervised CNN-Based Methods（多发性硬化病变分割--基于有监督CNN的方法综述）
作者：Huahong Zhang,Ipek Oguz
链接：https://arxiv.org/abs/2012.08317
本文共梳理93篇相关文献。由范德堡大学学者发布病变分割是对多发性硬化症患者的MRI扫描进行定量分析的一项核心任务。深度学习技术在各种医学图像分析应用程序中的最新成功使人们对该挑战性问题重新产生了兴趣，并引发了新算法开发的热潮。本文研究了基于监督的CNN的MS病变分割方法，将这些评论的作品分解为它们的算法组成部分，并分别进行讨论。
标题：3D Bounding Box Detection in Volumetric Medical Image Data: A Systematic Literature Review（体医学图像数据中三维包围盒检测的系统文献综述）
作者：Daria Kern,Andre Mastmeyer
链接：https://arxiv.org/abs/2012.05745
本文共梳理了68篇相关文文献。由阿伦应用技术大学学者发布本文讨论了体积医学图像数据中3D边界框检测的当前方法和趋势，并比较了2D和3D实现。 本文介绍了多种用于定位解剖结构的方法，结果表明，大多数研究最近都集中在深度学习方法上，例如卷积神经网络与具有手动特征工程的方法，例如随机回归森林。
标题：Learning-Based Algorithms for Vessel Tracking: A Review（基于学习的血管跟踪算法综述） 作者：Dengqiang Jia,Xiahai Zhuang 链接：https://arxiv.org/abs/2012.08929
开发有效的血管跟踪算法对于基于影像的血管疾病诊断和治疗至关重要。血管跟踪旨在解决识别问题，例如关键（种子）点检测，中心线提取和血管分割。已经开发了广泛的图像处理技术来克服血管追踪的问题，血管追踪的问题主要归因于血管的复杂形态和血管造影的图像特征。本文介绍了有关血管跟踪方法的文献综述，重点是基于机器学习的方法。