Literature Review of Deep Learning Models for Liver Vessels Reconstruction
Revue de la littérature sur les modèles d'apprentissage profond pour la reconstruction des vaisseaux hépatiques
Résumé
Deep learning (DL) is one of the most important machine learning methods which has achieved great success in the field of medical image analysis. DL teaches a computer model how to perform classification tasks directly from images, but since the acquisition problems of these images this method has lost its effectiveness mainly for the segmentation of complex structures such as vessels that are hardly or not visible in the raw data. Nowadays, researchers are trying to find solutions to these kinds of problem since the information of the local appearance of pixel are not enough. To illustrate the limits of using standard DL models for vessel reconstruction, we first show a comparative study based on the IRCAD dataset. This experiment motivates our study, wherein we provide a review of DL models which covers liver vessel segmentation and medical image processing, in order to confirm if these problems can be solved by DL, and discusses a new approach to guide the experts who want to use these approaches in their work. A Systematic Literature Review (SLR) was carried out. More than 40 papers were founded by manual search in Elsevier, Springer and Science Direct, IEEE, 20 primary studies were finally included. According to the literature studies, we will define the most pertinent articles related to DL applications for complex structure reconstruction. Results: DL based topological signature methods have better results than classical topics and DL based pixelwise.
Le Deep Learning (DL) est l'une des méthodes d'apprentissage automatique les plus importantes qui a connu un grand succès dans le domaine de l'analyse d'images médicales. DL entraine à un modèle informatique comment effectuer des tâches de classification directement à partir d'images, mais depuis les problèmes d'acquisition de ces images, cette méthode a perdu de son efficacité principalement pour la segmentation de structures complexes telles que des vaisseaux qui sont à peine ou non visibles dans les données brutes. De nos jours, les chercheurs tentent de trouver des solutions à ce type de problème car les informations sur l'apparence locale du pixel ne suffisent pas. Pour illustrer les limites de l'utilisation des modèles DL standard pour la reconstruction des vaisseaux, nous montrons d'abord une étude comparative basée sur le jeu de données IRCAD. Cette expérience motive notre étude, dans laquelle nous fournissons une revue des modèles DL qui couvre la segmentation des vaisseaux hépatiques et le traitement des images médicales, afin de confirmer si ces problèmes peuvent être résolus par DL, et discute d'une nouvelle approche pour guider les experts qui souhaitent utiliser ces approches dans leur travail. Une revue systématique de la littérature (SLR) a été réalisée. Plus de 40 articles ont été créés par recherche manuelle dans Elsevier, Springer et Science Direct, IEEE, 20 études primaires ont finalement été incluses. Selon les études de la littérature, nous définirons les articles les plus pertinents liés aux applications DL pour la reconstruction de structures complexes. Résultats: Les méthodes de signature topologique basées sur DL donnent de meilleurs résultats que les sujets classiques et les méthodes de DL par pixel.
Domaines
Informatique [cs]
Origine : Fichiers produits par l'(les) auteur(s)