醫學成像數據與其他我們日常圖像的最大區別之一是它們很多都是3D的，比如在處理DICOM系列數據時尤其如此。DICOM圖像由很多的2D切片組成了一個掃描或身體的特定部分。

那么如何為這類數據構建深度學習解決方案呢?本文中將介紹6種神經網絡架構，可以使用它們來訓練3D醫療數據上的深度學習模型。

3 d U-Net

U-Net體系結構是一種強大的醫學圖像分割模型。3D U-Net將經典的U-Net模型擴展到3D分割。它由編碼(下采樣)路徑和解碼(上采樣)路徑組成。

編碼路徑捕獲輸入圖像中的上下文，而解碼路徑允許精確定位。3D U-Net在處理體積圖像的3D特性方面非常有效。

V-Net

V-Net架構是另一種用于體積圖像分割的3D卷積神經網絡。與U-Net類似，V-Net有一個編碼器-解碼器架構，但它使用全分辨率3D卷積，所以它比U-Net計算成本更高。

HighResNet

它使用一系列帶有殘差連接的3D卷積層。該模型是端到端訓練的，可以一次處理整個3D圖像。

EfficientNet3D

這是對EfficientNet架構的3D改進，它不像U-Net或V-Net那樣常用于3D分割，但如果計算資源有限，它是可以考慮的，因為它在計算成本和性能之間的良好權衡。

Attention U-Net

這是U-Net的一種變體，它包含了一個注意力機制，允許網絡將注意力集中在與手頭任務更相關的圖像的某些部分。

DeepMedic

這是一個使用雙路徑的3D CNN，一個是正常分辨率，另一個是下采樣輸入，這樣可以結合局部和更大的上下文信息。

總結

本文中，我們介紹了醫學成像行業在處理3D MRI和CT掃描時使用的一些深度學習模型。這些神經網絡被設計用來接收3D數據作為輸入，以學習DICOM系列身體特定部位的復雜性。