这篇文章是近5年医学影像领域发展的一篇综述，融合了300+篇paper。
文章首先介绍了近些年来深度学习领域的发展，包括CNN、DCNN、RNN以及一些无监督弱监督的方式，比如自编码器等。然后介绍医学影像不同领域的发展。
首先，分类领域。膝关节骨性关节炎多级评分，使用CNN作为特征提取器的细胞病理学图像分类，应用DBN和SAE将患者分类为基于脑部磁共振成像（MRI）的阿尔茨海默病，皮肤损伤图像，多流CNN对皮肤损伤进行分类，使用CNN和RNN的组合来对裂隙灯图像中的核内白内障进行分级，使用多流CNN将胸部CT的兴趣点分类为结节或非结节，通过训练3D CNN评估患有高级别胶质瘤的患者的生存率。
识别领域，在2D解析3D CT体积之后识别矩形3D边界框，2D心脏MRI和超声（US）和3D头颈部CT，CT数据中颈动脉分叉检测，三维食管超声心动图检测主动脉瓣的数据，胎儿中检测多达12个标准化扫描平面，LSTM-RNN与CNN相结合来检测心脏电影-MRI中的舒张末期和收缩末期帧，小病灶的定位和识别，3D CNN在大脑MRI中发现微出血，检测胸部X光片中的结节和乳房X线。
分割领域，RNN在H＆E组织病理学图像中分割肌束膜，使用3D RNN和门控周期性单位来分割脑MRI数据集中的灰质和白质，MR图像中椎体分割，fCNN以分割脑MRI，胸部MRI胸肌和心脏CT血管造影（CTA）中的冠状动脉，脑部MRI中的白质病灶进行分割。
定位领域，使用深度学习网络估计两幅图像的相似性度量以推动迭代优化策略，使用深度回归网络直接预测变换参数，评估头部的CT和MRI图像之间的局部相似性，利用CNN进行三维模型二维X射线配准评估在手术过程中植入物体的姿态和位置。
其他领域，基于内容的图像检索，图像生成和增强，利用多流CNN，可以从多个低分辨率输入生成超分辨率图像，使用SAE将H＆E染色的组织病理学图像标准化，使用CNN在DCE-MRI时间序列中执行去噪，图像数据与报告（1）利用报告来提高图像分类的准确性（2）从图像生成文本报告。
从疾病角度入手。
脑部，MRI，阿尔茨海默病的分类以及脑组织和解剖结构（例如海马）的分割，其他重要的领域是病变的检测和分割（例如肿瘤，白质病变，痤疮，微出血）。
眼部，CFI，解剖结构的分割，视网膜异常的分割和检测，眼病的诊断以及图像质量评估，Kaggle的糖尿病视网膜病变检测竞赛。
胸部，X-ray，CT中，指示间质性肺病的纹理模式的检测，LUNA16肺结节分割打算，kaggle的肺癌检测大赛。
数字病理学和显微学，WSI，（1）检测，分割或分类细胞核（2）大型器官的分割（3）在病变的WSI水平检测和分类感兴趣的疾病。组织病理学中的颜色归一化，2012年的神经细胞分裂挑战，2012年的ICPR 2012和AMIDA，腺体分割的GLAS，CAMELYON16和TUPAC治疗乳腺癌癌症组织样本，分割神经元膜，结直肠癌组织样本中腺体实例分割，（1）发现高细胞密度区域（2）使用CNN检测感兴趣区域的有丝分裂（3）将有丝分裂检测的结果转换为每个WSI的特征向量，并使用SVM分类器计算肿瘤增殖和分子数据分数。
乳房，乳腺癌（1）质量样病变的检测和分类（2）微钙化的检测和分类（3）乳腺癌风险图像评分。
心脏，左心室分割是最常见的任务，但应用的数量高度多样化：分割，跟踪，切片分类，图像质量评估，自动钙计分和冠状动脉中心线跟踪。
腹部，旨在定位和分割器官，主要是肝脏，肾脏，膀胱和胰腺。
肌肉骨骼图像也被深度学习算法分析，用于分割和识别不同成像模式中的骨，关节和相关的软组织异常。
其他还有皮肤癌诊断，各种自动化系统。
文章列出了308篇不同领域的医学影像分析的paper，在很多方面，人工智能的准确率已经超过了人类，也已经投入到了市场里，所以这些方面就很难再去研究。找到一个适合自己的研究方向还是很难的，目前定下来的是肺癌检测，但这个方向也已经有很多人在做，很难去提升，所以还需要继续探索。
