Note de l'éditeur: 12 au 14 juillet Juillet, 2019 Quatrième Sommet mondial sur l'intelligence artificielle et robotique (CCF-GAIR 2019) convoquée à Shenzhen. Sommet organisé par la Fédération chinoise Computer (CCF), Lei Feng réseau, Université chinoise (Shenzhen) entrepreneurs Hong Kong, Shenzhen Institut de l'intelligence artificielle et la robotique Co a été la direction forte du gouvernement municipal de Shenzhen, est l'intelligence artificielle et la robotique du monde universitaire, de l'industrie trois principaux secteurs de l'industrie et de l'investissement de l'événement Expo AC, les objectifs du pays pour créer l'intelligence artificielle grande force de la plate-forme d'échange et de coopération transfrontalière.
14 juillet l'Académie Royale des Sciences, l'Académie des sciences du Canada, en vision par ordinateur des personnalités de niveau de l'autorité professeur Demetri Terzopoulos a fait le thème de « L'application de l'IA à l'imagerie médicale et des soins de santé » la parole.
En tant que client d'ouverture spéciale du professeur de médecine AI Demetri Terzopoulos revue l'histoire du système de vision par ordinateur: à partir de la méthode de reconnaissance du motif initial, et une approche basée sur un modèle plus tard, est maintenant la transition vers la profondeur de la phase d'apprentissage.
Depuis 1978, le professeur Demetri Terzopoulos va essayer d'utiliser l'analyse d'images médicales. Au début des années 1980, Demetri Terzopoulos a commencé une étude basée sur le modèle déformable d'imagerie médicale.
En 1987, Demetri Terzopoulos et autres formes de coopération Kass rendu célèbre modèle de serpent, des documents co-auteur sont IJCV premier numéro spécial des lauréats du prix Marr, est l'un des journaux les plus fréquemment cités dans la science informatique. Une fois le modèle proposé, la segmentation d'images différentes épanouir contour actif, la méthode de compréhension et de reconnaissance.
Dans son discours, le professeur a cité un certain nombre de cas, l'utilisation de modèles de contours actifs pour la segmentation d'image et de reconstruction.
Professeur Demetri Terzopoulos penser, la science informatique, l'intelligence artificielle et de la technologie de l'information a un énorme potentiel pour dynamiser cause médicale, qui est la plus importante source d'innovation future. Cependant, il met également en garde que « nous disposons de données axée sur les techniques d'apprentissage machine de pointe et des méthodes basées sur des modèles puissants, mais pas croire aveuglément que l'apprentissage de la profondeur de combat individuel peut résoudre tous les problèmes. »
Ce point de vue proposé par le professeur Demetri Terzopoulos briller aussi quelques inconvénients de ces dernières années montrant progressivement la profondeur de l'apprentissage, tels que « de grandes quantités de données doivent être formés », « l'intelligibilité et pauvres ».
Dans une interview avec Lei Feng réseau dans une interview, le professeur Demetri admet, l'apprentissage en profondeur a une histoire de cinq ou six ans, et a influencé de nombreux domaines dans une très courte période de temps. Et maintenant en profondeur des difficultés d'apprentissage, il est un phénomène très naturel, le développement d'une technologie ne sera pas état de droit haut, il y aura toujours à marée basse.
« Segmentation lésionnel est un problème très difficile. Mark sur la tâche coûteuse de cohérence pauvre, on n'a pas eu de très bonnes performances sur la profondeur du réseau. Un autre gros problème est le problème de l'enregistrement. Avez-vous plusieurs ensembles de données, plusieurs images le mode, ils doivent être enregistrés ensemble. Par exemple, lorsque vous faites une analyse cardiaque lorsque la piste est très importante, car la structure vasculaire du corps dans le pompage, tout comme les gens du mouvement. Par conséquent, l'enregistrement d'image et l'étape de segmentation, comme, il est aussi très difficile à réaliser ".
Par conséquent, il a dit qu'il est intéressé par la plupart des machines récentes méthodes d'apprentissage et des techniques basées sur des modèles précédents combinés L'idée est de produire des algorithmes d'analyse d'images médicales plus puissants.
« Approche fondée sur un modèle pour mieux expliquer la situation dans le processus de division. En fait, vous pouvez interagir avec une méthode. Il existe de nombreux avantages des techniques basées sur des modèles, comme certains d'entre eux ne nécessitent pas beaucoup de données de formation. Donc, ce deux technologies ensemble, je pense qu'il est la direction future du développement ".
À l'heure actuelle, le professeur Demetri Terzopoulos que la technologie de voxel co-fondateur et directeur scientifique.
Il a dit la technologie de voxel est une entreprise très jeune, Shanghai et Los Angeles sont l'emplacement principal. La raison est que le point de consigne à Los Angeles, la société de l'Université de Californie à proximité de Los Angeles (UCLA), parce que l'UCLA est l'un des deux meilleurs hôpitaux de l'Ouest (UCLA Medical Center), École de médecine et beaucoup de qualité des projets de soins de santé de l'Amérique.
Bien sûr, toutes sortes de maladies sur le type spécifique, la technologie voxel CT poitrine, photos couleur de fond d'il, le CTA coronaire, quatre maladies de la peau sur une solution à la direction générale de la force. Professeur Demetri a dit: « Jusqu'à présent, nous développons des maladies du système technologique à l'échelle du système, je pense que c'est l'un de nos plus grandes réalisations. »
Ce qui suit est une présentation en direct du contenu du professeur Demetri Terzopoulo, Lei Feng réseau fait sans changer l'intention de l'édition et de finition:
Demetri Terzopoulos: tout le monde Bonjour. Merci hôte m'a présenté. Je tiens à remercier les organisateurs de la conférence et tout le personnel a organisé l'événement.
Aujourd'hui, je veux vous dire au sujet de l'application de l'intelligence artificielle de l'informatique visuelle et de la médecine.
Comme nous le savons tous, il y a une force motrice dans le domaine de l'imagerie médicale. Le premier est le développement de notre reconnaissance d'image particulièrement rapide, et nous avons accumulé des données médicales est également très bien, nous avons accumulé beaucoup de données sur les antécédents médicaux du patient, avec le soutien de ces données et de la technologie, nous pouvons obtenir beaucoup plus.
Mais maintenant il y a des défis manque encore une partie de la technologie médicale. Ainsi, un grand nombre de la population chinoise du pays, la demande de soins de santé est encore très importante. Voici quelques données, il y aura beaucoup de diagnostic par an, dont plus d'erreur de diagnostic a eu lieu, ce qui est d'ordre médical plus commun au-dessus. Ces erreurs peuvent se produire dans le diagnostic précoce, peuvent également se produire tardivement au cours du traitement.
Comment faire face à un nombre de défis? Nous espérons pouvoir utiliser la capacité de l'ordinateur pour dynamiser la santé.
En imagerie médicale, nous avons besoin de ce problème spécifique pour le résoudre? Une telle segmentation de l'image, l'enregistrement, entre l'image reconstruite, la modélisation, l'analyse du modèle de mouvement et de diagnostic assisté par ordinateur, le traitement et le suivi, ce sont des problèmes que nous rencontrerons.
Vous pouvez regarder l'histoire de l'évolution de la technologie informatique dans le domaine médical.
Dans un premier temps, nous utilisons la reconnaissance des formes, et la transition plus tard à l'approche basée sur un modèle est maintenant plus en profondeur certains des moyens de recherche sur l'apprentissage.
La première étape
Dans les années 1970, j'ai commencé à participer à l'étude. A cette époque aussi quelques articles, comme l'image de cet article est sur la reconnaissance des formes. Ceci est une étude que je fais, alors il y a un modèle d'apprentissage supervisé, nous utilisons beaucoup d'images de tissus osseux faire de la formation informatique, l'espoir qu'il peut diagnostiquer la maladie par la mauvaise formation le développement des os et des malformations osseuses congénitales.
La deuxième phase
Dans les années 1980, j'ai commencé à s'engager dans le modèle basé sur la recherche de l'imagerie médicale, appelé le modèle que nous avons pris, il déformable. Est-ce une nouvelle méthode à partir de là, nous avions l'habitude d'analyser la vision par ordinateur et de l'image.
A cette époque, l'étude a été relativement réussie, car elle utilise un haut vers le bas et une combinaison des deux méthodes à partir du bas, tout confiné à notre forme originale et le mouvement de la percée, il est donc un nouveau développement. Dans le modèle à base d'imagerie médicale que nous avons également utilisé une certaine connaissance de l'anatomie.
Nous pouvons regarder, il est très modèle de contour actif bien connu, appelé les serpents. Mes collègues et moi en 1987, quand il a commencé à introduire un tel modèle. Cela se fait par des expériences d'interaction modèle de serpent, peut être contour de bord identifié de l'objet, et la ligne rouge tracée par le contour.
Ceci est la deuxième petite vidéo, peut ébauché les bords des lèvres. Bien que les lèvres bougent, mais peuvent encore être suivis, et cela fait partie d'une partie de la vision informatique, et maintenant été largement appliquée à la médecine.
Ceci est une photo que j'été personnellement impliqué dans la segmentation de la reconstruction 3D, ce chiffre est l'organisation de dendrites neuronales, nous pouvons voir que sa section, il est une organisation du cerveau chez les. outils de modélisation serpent nous utilisons la même ligne avec des couleurs différentes pour les dendrites nerveux esquissés, elle finira par générer un modèle de reconstruction en trois dimensions de dendrites neuronales. Ce travail de promotion très efficace nos recherches dans les réseaux de neurones.
Ceci est une autre utilisation de modèles de contours actifs pour faire l'expérience, il est un contraste de l'image de la rétine.
Un autre exemple, mes collègues et moi-même dans un autre endroit pour faire un projet ensemble. Ceci est une personne qui parle, dans l'image que nous avons utilisé des ultrasons pour détecter le mouvement de la langue, de parler tout le temps de voir comment le mouvement comme la langue, la robustesse du modèle est très forte, vous pouvez débruitage, l'image résultante est plus clair.
Nous pouvons réaliser une image en trois dimensions, comme une image sous-jacente est à quatre dimensions, montrant que notre ventricule gauche, le ventricule gauche suivre le mouvement.
Cette application est sur la glande de segmentation d'image, il est un cas typique.
Cela fait partie du modèle de contour qui, avant tout, une image en deux dimensions, nous pouvons voir tout changement. Dans le diagramme à gauche d'entre eux, vous pouvez voir la forme de la glande, nous avons mis les segments de la courbe d'origine deviennent courbe plus petits, et, finalement, peut être reconstruit pour nous aider à localiser plus précisément son contour. Tel est le cas de l'application du modèle de contour proactif.
Le regard de déposons sur un autre modèle déformable, ce modèle est principalement l'utilisation des données de formation peut être effectuée. Ici pour générer un modèle d'algorithme, dans lequel chacune des données d'image comporte un point, il est à la fin d'un modèle multidimensionnel.
Si nous avons plus de données peuvent être utilisées pour former, ils obtiendraient un nuage de points, chaque point a des informations spécifiques, chaque point aura une image. Par la méthode de réduction de dimension, nous sommes en mesure de calculer plus clairement sa moyenne et son calcul mathématique, de sorte qu'il est possible de générer une ligne elliptique ou autre modèle mathématique, ce modèle prieurs qui est très important. Nous avons des orientations différentes et des informations spécifiques dans le modèle de nuage de points de haute dimension eux.
Il existe de nombreuses applications spécifiques. Ceci est comme la forme active modèle, appelée ASM, 1992 Taylor a soulevé. Ici, nous avons été données étiquetées. À droite il y a une image dynamique, ce modèle sera apte à prendre l'initiative. Nous avons reçu des données de tant de photos d'eux, il sera en mesure d'adapter automatiquement par une telle formation.
Ce dernier est le cas d'un modèle déformable, nous l'appelons forme organique variable. C'est comme la structure du cerveau parmi les corps calleux, qui est responsable de la structure du savoir, a un rôle très important dans le cerveau entre. On peut voir la structure spécifique du corps calleux. Il est entouré par du tissu fibreux doux, avec notre très pertinent pour les neurosciences. En étudiant, nous pouvons trouver une certaine instabilité du cerveau raison.
Le modèle utilisé pour localiser le corps calleux, sa forme peut être esquissée sur, de sorte qu'il est possible de regarder les caractéristiques structurelles spécifiques de quoi. On peut voir qu'il est positionné très rapide, et peut avec précision la segmentation d'images, ce qui est un processus de segmentation d'images entièrement automatique. Nous pouvons regarder le ralenti, il mène maintenant la recherche et ajuster en permanence sa position jusqu'à ce qu'il puisse obtenir un résultat de segmentation d'images très précises.
Vient de présenter plusieurs formes, ils appartiennent entre le modèle déformable, pour vous montrer le processus de segmentation automatique des images, des détails spécifiques ne sont pas mis à vous, et je tiens à souligner que ces processus sont entièrement automatisés.
Nous avons tous deux ventricules et le tissu cérébral, la position de départ bien définie du côté du ventricule. Après fini ici, pour produire deux sous-corps, les noyaux ont une réaction de clivage a été réalisée à la sous-corps, et procède ensuite à une telle partie du cerveau. Ceci est la mise en uvre d'un organe, est de prendre un esprit de collaboration pour mener à bien, peut être divisé efficacement, il est d'analyser la technologie d'imagerie médicale basée sur le modèle de l'intelligence artificielle.
On parle de la contribution des dernières techniques d'imagerie apprentissage machine entraînée de données, l'algorithme d'intelligence artificielle est conduite par un progrès révolutionnaire profondément ancré dans la vision par ordinateur.
En ce qui concerne l'imagerie médicale, l'apprentissage de la machine est également un sujet brûlant. Ceci est un article récent, ce thème a émergé des milliers d'articles. Notre cancer du poumon, par exemple, il y a plus de 18 millions de nouveaux cas de cancer du poumon chaque année, 15 millions de personnes meurent chaque année du cancer du poumon.
Nous sommes ici pour réaliser un nerf profond de convolution pour la détection de nodule pulmonaire. L'analyse structurale peut être vu que le réseau neuronal est multicouche. Comme sur cette image est la convolution nerveuse, vous pouvez voir l'unité de calcul - neurones, agrégat pour former un sous-réseaux à basse résolution. Avant l'analyse des caractéristiques du réseau, qui est réseau neuronal convolutif profondes pour analyser l'imagerie médicale.
Cette analyse des aspects importants, la division des nodules pulmonaires, il existe une variété de différents pourcentages, certaines tumeurs malignes, le cancer et certains ne sont pas, une telle analyse de l'image divisée est importante, la manière dont nous utilisons la profondeur de l'apprentissage, spectacle une telle architecture (voir PPT).
Il y a un document. Pourquoi cette étude a gagné le meilleur article? Parce qu'il est entièrement automatisé, la segmentation en trois dimensions des nodules pulmonaires pour obtenir une bonne interprétation sur une telle image.
Je crois que c'est une grande tendance, représente l'avenir, il y aura plus de sortie segmentation automatique, ce qui rend l'imagerie médicale plus efficace. Je crois qu'une combinaison d'apprentissage en profondeur et des modèles déformables, sera attribué une analyse d'images médicales peut être entraîné par des données.
Modèles de contour là actif DLAC entre notre laboratoire. On peut voir la convolution architecture neuronale, en raison de contraintes de temps, ne peut pas faire une interprétation détaillée, mais nous pouvons voir que les réseaux de neurones profonds et des niveaux supplémentaires ont été combinés dans le niveau inférieur du contour. En tant que modèle d'intégration, comme le modèle de contour actif, qui peut être actif dans la formation, essentiellement un cadre d'apprentissage profond pour mener à bien la formation.
Nous pouvons voir dans cette image le résultat de la formation des données d'imagerie médicale formés fin, de manière automatisée d'avoir de meilleurs résultats que la méthode manuelle, ces analyses et la segmentation en temps critique situations, la machine automatiquement façons mieux que manuel peut être utilisé pour différentes analyses d'imagerie médicale, afin de mieux améliorer la survie des patients. Certaines forme limite de la lésion est difficile de prévoir la main, mais ce modèle est mieux que les gens font à cet égard.
Grâce à cette fonctionnalité, nous offrons un apprentissage en profondeur de l'intelligence artificielle dans le rôle de l'analyse de l'imagerie médicale des commentaires précis et en temps opportun, il peut fournir des informations importantes pour nous aider à interpréter l'information médicale, ce qui nous permet de réduire le coût, une plus grande efficacité moins médicale des patients erreurs de diagnostic afin d'améliorer l'Evangile.
À l'avenir, notre système médical renseignement a permis de artificielle en entrant les grandes données, basée sur le cloud capables d'améliorer la pathologie et de la technologie de l'imagerie médicale, moteur d'intelligence artificielle peut générer automatiquement un rapport médical sur le Web, à comprendre que le langage humain naturel sortie des rapports pour aider les médecins à mieux améliorer leur productivité et leur flux de travail.
Dr Ding Xiaowei mes étudiants diplômés ont mis en place une société de technologie VoxelCloud voxel a commencé en 2016 à Shanghai, principalement à faire à partir d'un des dispositifs d'imagerie professionnelle à votre téléphone à domicile, vous avez des algorithmes d'intelligence artificielle, en particulier algorithme d'apprentissage profond peut mieux interpréter patients imagerie médicale.
Notre équipe de classe mondiale de R & D a poursuivi ses efforts en matière de technologie VoxelCloud voxel une telle entreprise de démarrage, l'application de ces technologies dans un véritable scénarios médicaux qui, en collaboration avec des centaines d'institutions médicales et les hôpitaux, ce qui est essentiel à plein d'énergie d'intelligence artificielle médicale . Nous publierons les résultats réels du passé récent VoxelCloud AI à l'échelle de dizaines de milliers et des centaines de milliers de personnes, comme preuve de la preuve AI en tant que nouvelles ressources médicales dans le système national de soins de santé, les institutions médicales et même seul jeu de famille un rôle majeur.
Nous sommes maintenant un certain nombre de clients et partenaires au développement sur l'image. déploiements futurs dans les grandes institutions médicales, notre système peut être alimenté des dizaines de milliers de CT ont rapporté en 3,5 heures par jour.
Le dos de l'image est que nous sorte de tous-ophtalmologie et partenaires maladie de la peau, y compris le système médical en ophtalmologie publique du comté de Los Angeles, Eyepacs, centre de gestion des maladies métaboliques China National Standardisation MMC, Union Hospital, Hôpital Tongren, Zhongshan Ophthalmic Center, plus de 200 centres , peau artificielle et les institutions sino-renommées telles que Harvard Medical School de coopérer.
Il Sequoia Capital, Tencent et d'autres investisseurs institutionnels, nous avons fini 2018 sont élevées à 80 millions $ de financement.
Ne résumer, la science informatique, l'intelligence artificielle et de la technologie de l'information a un énorme potentiel pour dynamiser cause médicale, qui est la plus importante source d'innovation future. Nous avons des techniques et des méthodes basées sur des modèles puissants apprentissage automatique de pointe axée sur les données, y compris la combinaison de modèles de contours actifs mentionnés précédemment, mais pas croire aveuglément que le fonctionnement de l'homme d'apprentissage profond peut résoudre tous les problèmes.
Nous devons donc être combiné avec d'autres technologies, et c'est la communauté médicale traditionnelle de travailler ensemble afin d'utiliser pleinement notre apprentissage en profondeur, l'intelligence artificielle, de promouvoir le développement de la cause médicale. Nécessité de faire beaucoup de recherche afin de mieux atteindre son avenir, pour résoudre le problème de la cause médicale réelle, et pour plus de patients à bénéficier.
Merci pour votre patience d'écouter à nouveau.
