Biomedical Image Segmentation: A Systematic Literature Review of Deep Learning Based Object Detection Methods

生物医学图像分割在各个器官的疾病诊断中起着至关重要的作用。基于深度学习的目标检测方法通常用于此类分割。这方面已经存在大量的研究，但是还没有标准的综述。现有的调查经常缺乏标准化的方法或者关注更广泛的分割技术。本文进行了系统文献综述（SLR），收集和分析了148篇文章，探讨了深度学习目标检测方法在生物医学图像分割中的应用。我们对这些方法进行了批判性分析，确定了关键挑战，并讨论了未来的方向。从所选文章中提取了结果，包括深度学习模型、目标成像模式、目标疾病以及用于分析方法的指标。结果以表格和/或图表形式呈现。结果分为三个主要类别，包括两阶段检测模型、一阶段检测模型和基于点的检测模型。每篇文章都进行了个别分析，包括其优点和缺点。最后，我们讨论了未解决的挑战、潜在的好处和未来的研究方向。这个SLR旨在为研究社区提供快速而深入的理解这些分割模型，最终促进更强大的生物医学图像分析解决方案的开发。

论文旨在系统地回顾和分析深度学习物体检测方法在生物医学图像分割中的应用，提出未来研究方向。

通过系统文献综述，对比分析两阶段检测模型、一阶段检测模型和基于点的检测模型在生物医学图像分割中的应用，总结出关键挑战和未来方向。

论文分析了148篇相关论文，提出了各种深度学习模型在生物医学图像分割中的应用，包括针对不同成像模态和疾病的分割方法。同时，还讨论了深度学习模型的评价指标、优缺点和未来研究方向。

最近的相关研究包括：1. 'A review of deep learning in medical image segmentation'；2. 'Deep learning for medical image segmentation: A survey'；3. 'A survey on deep learning in medical image analysis'等。