Lei Feng réseau de presse : Yasen technologie de finition de papier de chercheur algorithmes avancés Yang Shiting, coup dur en conférence de classe ouverte sur Lei Feng réseau, le thème de la « Smart et contester l'avant-garde de l'analyse de l'imagerie médicale. »
Yangshi Ting, diplômé du programme de doctorat, le principal traitement d'images médicales et de l'application de l'Institut de génie électrique de Taiwan Chang Gung University. Elle se rapporte à une recherche de traitement d'images médicales, l'information biomédicale, l'optique médicale, la théorie neuronale et floue, IRMf, Physique médicale et des statistiques biomédicales. Linkou Chang Gung Memorial Hospital à Taiwan a, Ningbo Du que l'algorithme d'imagerie médicale est responsable du développement, travaille actuellement à Beijing Yasen Technology Development Corporation en tant que Senior Fellow algorithme.
Ouvrez la vidéo de classe comme suit:
Ce qui suit est le contenu principal du texte de la parole Lei Feng consolidation du réseau (réseau d'attention Lei Feng nombre public micro-canal de la technologie médicale " AIHealth « Répondre » 117 « pour télécharger la pleine PPT):
La classe ouverte est divisée en quatre parties:
Tout d'abord, introduire le concept de son type et le mode, ainsi que l'intelligence artificielle et de la profondeur des technologies d'apprentissage telles que l'imagerie médicale;
En second lieu, la profondeur d'apprendre à appliquer le domaine médical tels que le traitement d'images médicales;
En troisième lieu, les difficultés et la nécessité de rompre la direction de la profondeur de l'apprentissage connaît actuellement;
Enfin, un résumé.
Imagerie médicale et l'intelligence artificielle
Près de trois décennies d'imagerie médicale, le concept est révolutionnaire et innovant, la disponibilité pratique, se compose de deux parties:
Tout d'abord, le développement rapide du matériel, y compris le développement de MR, CT et d'autres matériels, ces technologies d'imagerie nous permet d'obtenir une bonne image;
En second lieu, l'utilisation de l'outil mathématique complexe, il peut être reconstruit, l'analyse et le traitement des images médicales par ces moyens, pour obtenir des images médicales clairement visibles.
Les deux parties fait des progrès sur l'imagerie.
L'imagerie médicale est divisée en deux formes:
Tout d'abord, l'image structurelle, il peut obtenir les grandes caractéristiques structurelles de l'organisation, mais vous ne pouvez pas voir la situation du métabolisme bio-organique;
En second lieu, l'image fonctionnelle, elle peut inciter la désintégration et le déclin dans le métabolisme ou la fonctionnalité de la maladie.
image structurale, par rapport aux images fonctionnelles de résolution spatiale est faible.
On peut former une image sur un support différents, l'imagerie structurale comprenant:
Des rayons X, la tomodensitométrie et l'angiographie par exemple, on peut voir que la structure;
Procédé de son, telles que l'imagerie par ultrasons;
Fluorescence, qui peut être utilisé pour étudier la forme de la structure et l'organisation des cellules;
Les champs magnétiques, tels que la résonance magnétique nucléaire, on peut voir dans les tissus du cerveau et des organes de la structure du corps;
Optique, tels que les images du fond d'oeil, la tomographie par cohérence optique, qui peut être détective à la structure de corps, pour aider à diagnostiquer.
images fonctionnelles sont les suivantes:
Photons, comme un seul photon de tomographie assistée par ordinateur peut voir l'état métabolique, mais ne peut pas voir la structure organisationnelle;
Masako, tels que la TEP, qui utilisent plus quelques médicaments, vous pouvez voir le métabolisme, voir des tumeurs et des lésions;
teneur en oxygène du sang, tels que la résonance magnétique fonctionnelle IRMf;
L'activité actuelle, la méthode EEG figure et EEG par position correspondant topologie au cerveau, le cerveau peut voir que l'état actif des changements de situation actuelle;
Champ magnétique, similaire à l'EEG, MEG au moyen d'un champ magnétique faible détective courant peut induire une différence fonctionnelle dans le cerveau.
L'intelligence artificielle, nous avons entendu cela aura un impact significatif sur la vie quotidienne. Aujourd'hui, les ordinateurs peuvent traiter exactement comme une image humaine et la vidéo, encore mieux que la performance humaine. Ces découvertes proviennent de l'apprentissage en profondeur.
A propos de l'apprentissage en profondeur, il peut être compris comme une branche de l'apprentissage de la machine, son objectif principal est de simuler un niveau plus élevé de la pensée abstraite.
Le principal apprentissage en profondeur est de construire un grand nombre de couches d'abstraction, nous aidera à tracer un certain signal d'entrée à un niveau d'expression plus élevé. Par exemple, le traitement d'image, la fonction peut être entré pour chaque pixel, l'intensité de pixel peut être calculée, il peut être un ensemble de bord, il pourrait être la région de contour spécifique. Grâce à ces moyens de rendre l'apprentissage en profondeur pour atteindre notre objectif.
Il y a l'apprentissage en profondeur des caractéristiques d'apprentissage non supervisé et semi-supervisé, il mettra en vedette la stratification d'extraction.
En imagerie médicale, pour être un diagnostic précis, l'évaluation de la maladie, vous devez:
Avec un équipement d'acquisition d'images vidéo, ces dernières années, en raison des progrès dans le matériel d'imagerie, il a obtenu de bons résultats dans le diagnostic.
En second lieu, l'interprétation des images médicales. Maintenant, reposent principalement sur les médecins pour compléter, mais il y a quelques problèmes à surmonter, comme la subjectivité, la formation des médecins et de l'expérience différente, il existe différentes façons d'interprétation et la définition quand on regarde les images médicales, une autre expérience différente du médecin, l'interprétation du même ensemble de données sont une plus grande différence, les médecins et la fatigue, ce qui conduit à des erreurs d'interprétation.
En troisième lieu, on détecte une anomalie.
En quatrième lieu, voudra quantifier la mesure de la position, comme avant et après l'opération, de sorte que les médecins différence avant et après la chirurgie pour évaluer le temps de faire pour l'image à quantifier, par la différence avant et après les données pour aider les médecins à déterminer si l'opération a réussi.
Quatre principaux problèmes mentionnés ci-dessus, peuvent être facilitées par l'apprentissage profond du diagnostic, l'endroit est sur le point d'être traité pour faire une identification claire, aider le médecin à faire diagnostiquer plus efficacement, localiser la lésion.
étude approfondie de l'application sur l'imagerie médicale
La prochaine demande d'expliquer la profondeur des technologies d'apprentissage en imagerie médicale. À l'heure actuelle, les zones de contenu de traitement d'images médicales sont:
CAD, le diagnostic assisté par ordinateur, le médecin pourrait alors évaluer le traitement du patient, les différences préopératoires et postopératoires et ainsi de suite. Elle peut également assistée par méthode de diagnostic pour l'analyse d'images pour trouver les lésions tumorales et cancéreuses.
La segmentation d'images, principalement sur les tissus de l'organisme font une segmentation claire.
Enregistrement de l'image et de fusion d'image, les deux que nous pouvons parler ensemble. Nous savons qu'il ya des sous-image image structurelle et fonctionnelle, cette dernière résolution spatiale est faible, vous pouvez voir le métabolisme des tissus, mais nous ne savons pas la position de l'organisation se trouve. Il est nécessaire à l'enregistrement de l'image et de la fusion, la combinaison de différents types d'images ensemble, fournissent une structure claire, en fournissant un métabolisme, de sorte que vous pouvez comprendre les tissus et les organes des lésions.
Guidée par l'image thérapie. Il peut être divisé en deux catégories, l'une est la chirurgie guidée par l'image, comme faire la chirurgie cérébrale ouverte, les patients épileptiques seront libérés twitch involontaires anormaux, ne pouvait pas résister aux effets des médicaments, qui seraient des électrodes implantées dans le cerveau, et ce le procédé exigerait guidé au bon endroit sur l'électrode. En second lieu, radiochirurgie, radiothérapie qui est, il doit être fait pour évaluer l'emplacement de la tumeur, parce que le rayonnement peut tuer les cellules cancéreuses, peut aussi tuer les cellules normales, il est nécessaire de guider le rayonnement fixe dans la bonne position, ce qui nécessitera l'image médicale applications.
Enfin, la recherche et l'accès des bases de données médicales, à savoir, comment récupérer les données de la base de données que vous voulez de ces méthodes peuvent être processus d'apprentissage en profondeur.
Pourquoi utilise-t-on dans l'étude approfondie de l'image médicale? Étant donné que l'image a une forme différente, de différentes organisations, et comme décrit ci-dessus, la profondeur peut être analysé avec le processus d'apprentissage, de sorte qu'une certaine erreur humaine ajustée. Etude approfondie par extraction de la plus caractéristique importante, il est également possible de classer la maladie, faire la classification d'images et de segmentation.
L'application clinique de l'apprentissage en profondeur de la prochaine conférence.
La figure ci-dessus est le cas biopsie ganglionnaire automatique. Gauche ganglions lymphatiques médiastinaux, le droit est les ganglions lymphatiques abdominaux. On peut voir dans l'étalonnage de l'image hors de position, en fait, les ganglions lymphatiques sont très différents, tels que la forme et la position n'est pas nécessairement, il est également très similaire au tissu environnant.
Passé le traitement d'image classique, il est à travers l'image tomodensitométrique, acquis image stéréoscopique 3D, puis faire le traitement de l'analyse et de l'application sur l'image. Le procédé est relativement nouveau forte formule de Haar 3D, dans lequel, pour établir l'intégrité d'ensemble de l'essai, la détection des ganglions lymphatiques à travers la fenêtre de balayage.
Cependant, la mauvaise performance des méthodes traditionnelles, principalement des restrictions sur les dimensions.
Un document au cours des deux dernières années, il a été la détection automatique de passage des ganglions lymphatiques à travers la profondeur de l'apprentissage. La pratique d'abord RF classificateur de forêt aléatoire, et détecte la position approximative de l'étalonnage effectué, puis calibré sur les ganglions lymphatiques, sagittales, transversales, coronales, trois dimensions, la liaison orthogonaux l'un à l'autre, pour créer 2.5D projection de l'espace caractéristique en trois dimensions. Ensuite, grâce à l'extraction des caractéristiques du HOG, caractéristique spatiale image de projection du vecteur prise. Ensuite, les méthodes de formation de SVM, les caractéristiques, auront à faire le renforcement et la formation, puis de détecter automatiquement l'emplacement des ganglions lymphatiques.
Est-ce que la méthode de segmentation étude approfondie, en 2015, un article a également démontré. Il est principalement l'utilisation du réseau de neurones convolutionnel CNN, la matière grise automatiquement, la matière blanche, aile céphalorachidien segmentation automatique, pour analyser les lésions cérébrales.
Ce document utilisera la profondeur d'apprentissage différentes informations du patient à faire une précision de segmentation sont bonnes.
Plus précisément, les auteurs avec CNN différents types d'images IRM permettent une segmentation efficace, la segmentation précise de la matière grise, matière blanche, aile céphalorachidien.
Ils par CNN, divisant l'image en un patch de bloc, puis faire l'apprentissage, la formation et la classification de l'image complète.
L'étude ci-dessus est la segmentation de l'hippocampe. Des études ont montré que l'hippocampe est principalement liée à la mémoire. La figure est la position de l'hippocampe calibré à la main, comme on le voit dans les ganglions lymphatiques, il est très similaire à un tissu adjacent, divisé un certain degré de difficulté.
Dans un article de 2015, il y a des auteurs par CNN, avec des taches 2D, des correctifs de trois plans, et de modification procédé patches 3D, l'étude approfondie de l'hippocampe, ainsi fractionné. A gauche, nous n'avons pas traité le droit est le positionnement clair de la position de l'hippocampe.
Sur l'image optique, l'exemple est ici la détection de la rétinopathie diabétique. En général, les patients diabétiques sujettes à des maladies oculaires, les vaisseaux sanguins de la rétine peuvent également être modifiés. La figure intermédiaire est supérieure à la normale, le patient est sur l'image de droite.
Donc, à certains égards, avec l'étude de CNN, réalisée pour l'identification de l'image de fond d'il rétinopathie diabétique. On peut déjà déterminer la gravité de la situation.
Une autre application dans l'étude approfondie de la détection des cellules. Par exemple, en 2013 le papier, principalement pour détecter les cellules du cancer du sein, les cellules cancéreuses sont étalonnés par CNN max mise en commun, faire la poitrine pour l'analyse d'images de tissus de la mitose. Les résultats montrent qu'une précision de près de 90%.
L'analyse des images de tissus de la figure, le cas de la division câble obtenu.
En outre, il est un exemple très intéressant. En plus de faire la reconnaissance d'image CNN, les images IRM 3T peuvent également être transmises par le réseau CNN, l'image IRM 7T reconstruite classe. Le soi-disant T tesla moyens, à savoir l'induction de champ magnétique. Notre commune dans la machine d'imagerie médicale par résonance magnétique est 1T et 1,5T et 7T force du champ magnétique de 7 Tesla, cet équipement est coûteux, exige beaucoup de coûts, mais le rapport 7T-bruit de l'image forte. Par conséquent, l'étude veut apprendre la profondeur du changement d'image 3T 7T.
Le chiffre peut être vu que le 3T image de gauche, le cerveau des bords un peu floue, mais juste après le traitement devient clair. Cela se fait avec une méthode peu coûteuse pour reconstruire.
Les défis d'analyse d'image médicale intelligente
Ce sont l'étude approfondie des applications sur l'imagerie médicale. Cette étude approfondie dans l'application dont, il y a des défis qui les aspects de celui-ci?
À l'heure actuelle des documents expérimentaux, principalement pour explorer d'évaluer la validité de construction, généralement sur la base de l'architecture expérimentale, qui permettent d'évaluer un patch CNN avec ce qui est bon ou mauvais dans l'expérience. Mais ne pense pas, en fait utilisé dans le processus d'apprentissage en profondeur, la performance est comme prévu, je pensais que ce serait bon.
En utilisant un modèle qui, ils choisissent souvent un grand nombre de différents types de fonctionnalités pour former, comment savoir ce processus efficace de bonnes caractéristiques? En outre, dans la construction du modèle d'apprentissage en profondeur, comment faire des ajustements par tant de paramètres. Ce sont les défis de l'apprentissage en profondeur.
De plus, nous voulons développer un modèle d'apprentissage théorique profondeur effective, être fondée sur des données empiriques, de mise au point et l'évaluation de l'effet du réseau, ce qui est l'objectif principal du défi. Dans ce processus, le modèle de mesure pour évaluer le degré de complexité, tels que:
Tout d'abord, il y a le concept de neurones processus d'apprentissage profond qui à la fin quelle quantité? Pour patcher à la fin combien?
En second lieu, la forme de l'unité de calcul doit également être pris en considération, le nombre de couches cachées à placer, la couche de convolution? Cette partie est la profondeur d'apprendre à penser.
En troisième lieu, en tenant compte de la structure et le modèle de l'architecture topologie, comment CNN avec différents types de modèles d'apprentissage de la machine, en combinaison avec l'autre pour faire la comparaison?
Quatrièmement, est de savoir comment produire efficacement les modèles avec?
Enfin, l'efficacité des problèmes d'apprentissage. Etude approfondie développé dès les années 1980, mais en raison des limites de l'ordinateur, et son développement est également insatisfaisante. Les progrès récents dans la puissance de calcul seul mécanisme d'apprentissage automatique mis en place. En regardant en arrière, le matériel est de mieux, apprendre à le rendre efficace à la situation actuelle, de faire une répartition plus efficace ou l'ajuster? L'efficacité de l'apprentissage comment adapter à une meilleure étape pour obtenir de bons résultats? Tel est le défi de la profondeur de l'apprentissage.
De plus, la quantité de données à recueillir à la fin comment les besoins beaucoup? Entendu beaucoup du concept des grandes données, mais les images IRM peuvent être 128 * 128 dimension, il y a beaucoup de formation. Une grande quantité d'analyse des données et des statistiques aura une incidence sur la grande analyse des données et l'apprentissage. Vous connaissez un défi pour peser et évaluer.
Nous devons intégrer les données empiriques pour construire la profondeur du modèle d'apprentissage théorique, afin d'obtenir une bonne évaluation des résultats. Pour ce faire, nous devons définir une théorie de la stratégie, grâce à cette stratégie, d'évaluer, le modèle de débogage.
Dans ce processus, il existe un mécanisme de routine. C'est la plus simple entrée - Hide - traitement - modèle de formation de sortie. Mais comment pouvons-nous ajustons l'ordre, le modèle rend le débogage plus clairement, plus de routine, mais aussi un endroit à explorer.
Dans le processus, nous faisons la profondeur de l'apprentissage, il existe un concept très cohérent: nous voulons tous mettre des couches plus ou réduire la teneur. Parfois, vous devrez peut-être une couche d'addition peu plus spécial. Mais comment bien défini le concept pour le rendre routine, mais aussi de remettre en question notre objectif.
Un autre défi est: étude non approfondie de notre profondeur dans le processus d'apprentissage à faire, l'architecture la plus couramment utilisée. Ensuite, nous voulons évaluer comment cette architecture de trouver une bonne façon de le faire?
Enfin, en ce qui concerne l'efficacité de calcul. Nous avons mentionné précédemment, les données de performance de la machine et affectera directement ou indirectement l'efficacité de calcul. Comment trouver un équilibre, la profondeur de la recherche après avoir appris d'une étude dans une bonne direction.
Nous avons fait l'un des plus simple conclusion: l'apprentissage en profondeur est principalement utilisé pour faire?
l'apprentissage de profondeur a un grand potentiel, capable d'analyser de grandes quantités de données, analyser les résultats et donner des réponses par l'apprentissage. Donc, il est largement utilisé non seulement dans le domaine de l'imagerie médicale, dans d'autres domaines contribuent également beaucoup. Et quand nous analysons les données importantes, l'apprentissage en profondeur peut fournir des informations rationalisées pour nous. étude approfondie peut être développée est encore très grande, il y a beaucoup de choses vaut la valeur de défi à explorer.
En 2016, la réunion de RANA, la profondeur de l'apprentissage, l'apprentissage intelligente très populaire, les médecins ont réalisé que l'apprentissage profond peut faciliter le diagnostic, et même les aider à identifier des traitements plus efficaces, et des réunions récentes, nous pouvons trouver l'apprentissage en profondeur , un énorme potentiel de marché et le développement d'une analyse intelligente
Je crois que l'apprentissage en profondeur dans l'analyse d'image médicale intelligente, il doit y avoir une grande valeur.
