لى فنغ شبكة الصحافة : ياسين التكنولوجيا ورقة الانتهاء من خوارزميات متقدمة الباحث يانغ Shiting، الأكثر تضررا في محاضرة الفئة المفتوحة على شبكة لى فنغ، تحت عنوان "ذكية وتتحدى طليعة تحليل التصوير الطبي."
Yangshi تينغ، خريج برنامج الدكتوراه، ومعالجة الصور الطبية الرئيسية وتطبيق معهد الهندسة الكهربائية من جامعة تايوان تشانغ الأمنيون. حيث صلته إلى الأبحاث الطبية ومعالجة الصور والمعلومات الطبية الحيوية، والبصريات الطبية، العصبية ونظرية غامض، الرنين المغناطيسي الوظيفي، الفيزياء الطبية والإحصاءات الطبية الحيوية. مستشفى ينكو تشانغ غونغ التذكارية في تايوان لديها، ونينغبو دو من خوارزمية التصوير الطبي هو المسؤول عن التنمية، وتعمل الآن في بكين ياسين شركة تطوير التكنولوجيا كما خوارزمية زميل.
فتح مقطع الفيديو الدرجة على النحو التالي:
ما يلي هو المحتوى الرئيسي للنص خطاب لى فنغ تعزيز شبكة (انتباه لى فنغ شبكة التكنولوجيا الطبية رقم القناة الصغيرة الجمهور " AIHealth "الرد" 117 "لتحميل PPT الكامل):
وتنقسم الفئة المفتوحة إلى أربعة أجزاء:
أولا، وإدخال مفهوم النوع وطريقة، وكذلك الذكاء الاصطناعي وعمق تقنيات مثل التصوير الطبي تعلم.
الثانية، عمق تعلم كيفية تطبيق المجال الطبي مثل معالجة الصور الطبية.
ثالثا، الصعوبات والحاجة لكسر اتجاه عمق تعلم حاليا تعاني.
وأخيرا، ملخصا.
التصوير الطبي والذكاء الاصطناعي
ما يقرب من ثلاثة عقود من التصوير الطبي، ومفهوم ثوري ومبتكر، وتوافر عملي، يتكون من جزأين:
أولا، والتطور السريع من الأجهزة، بما في ذلك تطوير MR، CT والأجهزة الأخرى، وهذه تكنولوجيا التصوير يسمح لنا للحصول على صورة جيدة.
ثانيا، استخدام أداة رياضية معقدة، ويمكن إعادة بناء وتحليل ومعالجة الصور الطبية من خلال هذه الوسائل، للحصول على صور واضحة للعيان الطبية.
تقدم قسمين يجعل في التصوير.
وينقسم التصوير الطبي في شكلين:
أولا، صورة الهيكلية، ويمكن الحصول على السمات الهيكلية الرئيسية للمنظمة، ولكن لا يمكنك رؤية الوضع الأيض الحيوي العضوي.
وثانيا، فإن الصورة الفنية، فإنه يمكن مطالبة الانحلال وانخفاض في عملية الأيض، أو وظيفة المرض.
صورة الهيكلية، مقارنة مع الصور الفنية القرار المكانية الفقراء.
ونحن لا يمكن أن تشكل صورة من خلال نفس المتوسطة، والتصوير الهيكلي وتشمل:
الأشعة السينية، التصوير المقطعي المحوسب والأوعية هذا النحو، فإنه يمكن ملاحظة أن هيكل.
وهناك طريقة سليمة، مثل التصوير بالموجات فوق الصوتية.
مضان، والتي يمكن استخدامها للتحقيق في شكل هيكل وتنظيم الخلايا.
الحقول المغناطيسية، مثل الرنين المغناطيسي النووي، فإنه يمكن أن ينظر إليها في أنسجة المخ وأجهزة بنية الجسم.
البصريات، مثل الصور قاع، والبصرية تماسك التصوير المقطعي، التي يمكن أن تكون المباحث لهيكل الجسم، للمساعدة في تشخيص.
الصور الفنية هي:
الفوتونات، مثل التصوير المقطعي الكمبيوتر فوتون واحد يمكن أن يرى الوضع الأيضي، ولكن لا يمكن أن نرى الهيكل التنظيمي.
ماساكو، مثل المسح الضوئي PET، التي تستخدم بالإضافة إلى بعض العقاقير الطبية، يمكنك ان ترى عملية التمثيل الغذائي، انظر الأورام والآفات.
مستوى الأكسجين في الدم، مثل الرنين المغناطيسي الوظيفي بالرنين المغناطيسي الوظيفي.
النشاط الحالي، وطريقة في FIG EEG، وEEG من خلال طوبولوجيا موقف إلى الدماغ المقابل، يمكن أن ينظر إلى الدماغ أن حالة نشطة من تغير الوضع الحالي.
المجال المغناطيسي، على غرار EEG، MEG عن طريق حقل ضعيفة المباحث الحالي المغناطيسي يمكن أن تحدث اختلافات وظيفية في المخ.
الذكاء الاصطناعي، ولقد كنا نسمع أنه سيكون له تأثير كبير على الحياة اليومية. اليوم، يمكن أن أجهزة الكمبيوتر يعالج تماما مثل صورة الإنسان والفيديو، وحتى أفضل من الأداء البشري. هذه الاختراقات تأتي من التعلم العميق.
حول التعلم العميق، فإنه يمكن أن تفهم على أنها فرع من تعلم الآلة، والغرض الرئيسي منه هو محاكاة مستوى أعلى من التفكير المجرد.
التعلم العميق الرئيسي هو بناء عدد كبير من طبقات التجريد، وسوف تساعد الخريطة بعض إشارة الدخل إلى مستوى أعلى من التعبير. على سبيل المثال، معالجة الصور، ويمكن إدخال ميزة لكل بكسل، ويمكن حساب كثافة بكسل، قد يكون مجموعة من الحافة، وأنها يمكن أن تكون المنطقة كفاف محددة. من خلال هذه الطرق لجعل التعلم العميق لتحقيق هدفنا.
وهناك تعلم عمق ميزات التعلم غير خاضعة للرقابة وشبه أشرف، أنه سيضم استخراج الطبقية.
في التصوير الطبي، ليكون التشخيص الدقيق، وتقييم المرض، تحتاج:
مع معدات التقاط صور الفيديو، في السنوات الأخيرة، بسبب التقدم في معدات التصوير، وأنها حققت نتائج جيدة في التشخيص.
ثانيا، تفسير الصور الطبية. الآن تعتمد بشكل رئيسي على الأطباء لاستكمال، ولكن هناك بعض المشاكل للتغلب عليها، مثل الذاتية والتدريب الطبيب وتجربة مختلفة، وهناك طرق مختلفة للتفسير وتعريف عند النظر إلى الصور الطبية؛ تجربة مختلفة أخرى من الطبيب، وتفسير من نفس مجموعة من البيانات و أكبر الفرق، الأطباء والتعب، مما يؤدي إلى أخطاء التفسير.
ثالثا، تم الكشف عن شذوذ.
رابعا، سوف تحتاج إلى تحديد وقياس الموقف، مثل قبل وبعد العملية، حتى أن الأطباء الفرق قبل وبعد الجراحة لتقييم الوقت للقيام للصورة لقياس، من خلال الفرق قبل وبعد تحديد البيانات للأطباء مساعدة ما إذا كانت العملية ناجحة.
أربع قضايا رئيسية المذكورة أعلاه، يمكن تسهيل عن طريق التعلم العميق للتشخيص، والمكان هو على وشك أن يعامل لتقديم تعريف واضح، مساعدة الطبيب للقيام على نحو أكثر فعالية تشخيص المرض وتحديد الآفة.
دراسة متعمقة التطبيق على التصوير الطبي
تطبيق المقبل لشرح عمق تكنولوجيا التعلم في التصوير الطبي. في الوقت الحاضر، ومناطق محتوى معالجة الصور الطبية هي:
CAD، بمساعدة الحاسوب التشخيص، الطبيب ويمكن بعد ذلك تقييم العلاج للمريض، والاختلافات قبل الجراحة وبعد العملية الجراحية وهلم جرا. ويمكن أيضا بمساعدة طريقة التشخيص لتحليل الصور للعثور على الورم والسرطان الآفات.
تقطيع الصورة، بشكل أساسي على أنسجة الجسم تفعل تجزئة واضحة.
تسجيل الصورة والانصهار صورة، وكلاهما يمكن أن نتحدث معا. ونحن نعلم أن هناك شبه صورة الهيكلية والوظيفية، الصورة الأخيرة القرار المكانية والفقراء، ويمكنك ان ترى الأيض الأنسجة، ولكن لا نعرف يقع موقف المنظمة. فمن الضروري لتسجيل الصورة والانصهار، والجمع بين أنواع مختلفة من الصور معا، وتوفير بنية واضحة، وتوفير التمثيل الغذائي، وحتى تتمكن من فهم الأنسجة والأعضاء من الآفات.
صورة موجهة العلاج. ويمكن تقسيمها إلى فئتين، واحدة هو جراحة بالصور الموجهة، مثل القيام جراحة الدماغ مفتوحة، سيتم تفريغها مرضى الصرع نشل غير الطوعي غير طبيعية، لا يمكن أن تقاوم آثار العقاقير، التي من شأنها أن تزرع أقطاب في الدماغ، وهذا ان الطريقة تتطلب الموجهة إلى المكان الصحيح على القطب. ثانيا، الشعاعية والعلاج الإشعاعي وهذا يعني أنه يجب القيام به لتقييم مكان الورم، لأن الإشعاع يمكن أن تقتل الخلايا السرطانية، ويمكن أيضا قتل الخلايا الطبيعية، فمن الضروري لتوجيه الإشعاع الثابتة في الموضع الصحيح، وهو ما سيتطلب الصور الطبية التطبيقات.
وأخيرا، والبحث والوصول إلى قواعد البيانات الطبية، أي كيفية استرداد البيانات من قاعدة البيانات التي تريد الخروج من هذه الأساليب يمكن أن تكون عملية التعلم العميقة.
لماذا لا نستخدمها في دراسة متعمقة من الصور الطبية؟ منذ صورة له شكل مختلف، من منظمات مختلفة، وكما هو موضح أعلاه، يمكن تحليلها بعمق مع عملية التعلم، حتى أن بعض الأخطاء البشرية تعديلها. دراسة متعمقة عن طريق استخراج معظم ميزة مهمة، فمن الممكن أيضا أن يصنف هذا المرض، هل تصنيف الصور والتجزئة.
التطبيق السريري التعلم العميق للحديث المقبل.
الشكل أعلاه حالة التلقائي العقدة الليمفاوية الخزعة. غادر الغدد الليمفاوية المنصفية، والحق هو العقد اللمفاوية في البطن. ويمكن أن يرى في معايرة صورة للخروج من الموقف، في الواقع، الغدد الليمفاوية هي مختلفة جدا، مثل شكل والموقف ليس بالضرورة، بل هو أيضا تشبه الى حد بعيد الأنسجة المحيطة بها.
الماضي معالجة الصور التقليدية، فإنه من خلال حسابها صورة تصوير الشعاعي الطبقي، استحوذت 3D صورة مجسمة، ومن ثم القيام بتحليل وتطبيق المعالجة على الصورة. طريقة جديدة نسبيا 3D هار زوي صيغة قوية حيث، لتأسيس سلامة العامة للاختبار، كشف العقدة الليمفاوية من خلال نافذة المسح الضوئي.
ومع ذلك، فإن ضعف أداء الطرق التقليدية، والقيود المفروضة أساسا على الأبعاد.
ورقة في العامين الماضيين، كان الكشف التلقائي طريقة العقدة الليمفاوية من خلال عمق التعلم. الممارسة الأول RF المصنف الغابات العشوائية، وبالكشف عن موقف التقريبي للمعايرة القيام به، ثم معايرة من الغدد الليمفاوية، السهمي، عرضية، الاكليلية، ثلاثة أبعاد، ملزمة متعامد مع بعضها البعض، لخلق 2.5D ثلاثي الأبعاد ميزة الإسقاط الفضاء. بعد ذلك، من خلال ميزات HOG الاستخراج، وميزة المكانية ناقل الصورة الإسقاط التي اتخذت. ثم أساليب التدريب SVM، وميزات، وسوف تحصل على القيام تعزيز والتدريب، ومن ثم تكتشف تلقائيا الموقع من الغدد الليمفاوية.
هل دراسة متعمقة طريقة تجزئة، في عام 2015، أظهرت وجود المادة أيضا. هو أساسا استخدام الشبكة العصبية التلافيف CNN، تلقائيا المادة الرمادية والمادة البيضاء، النخاعي الجناح تجزئة الآلي، تحليل آفات الدماغ.
وهذه الورقة استخدام عمق تعلم معلومات المريض مختلفة للقيام دقة تجزئة جيدة.
على وجه التحديد، والكتاب مع CNN أنواع مختلفة من الصور MRI تجعل تجزئة فعالة، وتجزئة دقيقة من المادة الرمادية والمادة البيضاء، الجناح النخاعي.
من قبل CNN، وتقسيم الصورة إلى التصحيح كتلة، ثم القيام التعلم والتدريب وتصنيف الصورة كاملة.
الدراسة المذكورة أعلاه هي تجزئة الحصين. وقد أظهرت الدراسات أن الحصين يرتبط أساسا إلى الذاكرة. هذا الرقم هو اليد موقف الحصين معايرة، كما يمكن أن يرى في الغدد الليمفاوية، وهو مشابه جدا لالأنسجة المجاورة، وتنقسم درجة معينة من الصعوبة.
في ورقة في عام 2015، وهناك من الكتاب من قبل CNN، مع بقع 2D، والبقع ثلاث الطائرة، وتعديل 3D بقع الأسلوب، ودراسة الحصين عمق، وبالتالي انقسام. على اليسار، ونحن لم يتم التعامل معها والحق هو تحديد المواقع واضح للموقف الحصين.
على الصورة البصرية، والمثال هنا هو الكشف عن اعتلال الشبكية السكري. بشكل عام، المرضى الذين يعانون من مرض السكري عرضة لأمراض العين، ويمكن أيضا أن تتغير الأوعية الدموية في شبكية العين. FIG سيطة هي فوق المعدل الطبيعي، والمريض هو على الصورة الصحيحة.
لذلك، في بعض النواحي مع الدراسة CNN، ونفذت لتحديد السكري اعتلال الشبكية صورة قاع. يمكننا تحديد بالفعل خطورة الوضع.
تطبيق آخر في دراسة معمقة للكشف عن الخلية. على سبيل المثال، في عام 2013 ورقة، وذلك أساسا للكشف عن خلايا سرطان الثدي، يتم معايرة خلايا السرطان عن طريق تجميع ماكس-CNN، أن تفعل الصدر لتحليل الصور الأنسجة من الانقسام. وأظهرت النتائج أن دقة ما يقرب من 90.
هو تحليل الصور الأنسجة من هذا الرقم، وحالة الانقسام كابل التي تم الحصول عليها.
وبالإضافة إلى ذلك، هناك مثال مثير جدا للاهتمام. بالإضافة إلى القيام التعرف على الصور CNN، يمكن للصور 3T MRI أيضا أن تنتقل من خلال شبكة CNN، إعادة بنائها 7T MRI صورة الطبقة. ما يسمى T سائل تسلا، أي تحريض المجال المغناطيسي. لدينا شيوعا في آلة التصوير بالرنين المغناطيسي الطبية هو 1T و1.5T، و7T قوة المجال المغناطيسي من 7 تيسلا، وهذه المعدات باهظة الثمن، ويتطلب الكثير من التكاليف، ولكن نسبة 7T الضوضاء للصورة قوية. لذلك، أريد أن أدرس التعلم العميق ستصبح 3T 7T الصورة.
يمكن أن ينظر إلى هذا الرقم اليسار صورة 3T، الدماغ حواف واضحة إلى حد ما، ولكن الحق بعد أن يصبح المعالجة واضحة. ويتم ذلك مع طريقة التكلفة المنخفضة لللإعادة بناء.
التحديات ذكي تحليل الصور الطبية
وهذه هي الدراسة تطبيقات معمقة حول التصوير الطبي. أن دراسة متعمقة في تطبيق التي، هناك تحديات التي جوانب من ذلك؟
حاليا الأوراق التجريبية، وذلك أساسا لاستكشاف تقييم بناء صحة، وعادة على أساس الهندسة المعمارية التجريبية، التي تقيم رقعة CNN مع ما هو جيدة أو سيئة في التجربة. ولكن لا أعتقد، وتستخدم فعلا في عملية التعلم العميق، كما هو متوقع الأداء، وأعتقد أنه سيكون من الجيد.
باستخدام نموذج الذي، فإنها غالبا ما تختار الكثير من أنواع مختلفة من الميزات لتدريب، وكيفية معرفة هذه العملية بشكل فعال ميزات جيدة؟ وبالإضافة إلى ذلك، في بناء نموذج التعلم العميق، وكيفية إجراء تعديلات من خلال العديد من المعلمات. هذه هي التحديات التعلم العميق.
وبالإضافة إلى ذلك، ونحن نريد لتطوير نموذج التعلم النظري العمق الفعال، أن تستند إلى بيانات تجريبية، لتصحيح وتقييم تأثير الشبكة، وهذا هو الهدف الرئيسي من هذا التحدي. في هذه العملية، ونموذج قياس لتقييم درجة من التعقيد، مثل:
أولا، هناك مفهوم الخلايا العصبية عملية التعلم العميق أنه في نهاية المطاف ما الكمية؟ لرأب الصدع في النهاية كم؟
ثانيا، ينبغي أيضا النظر في شكل وحدة حسابية، وكم طبقات مخفية لتوضع طبقة التفاف؟ هذا الجزء هو عمق التعلم للتفكير.
ثالثا، مع الأخذ بعين الاعتبار البنية والهيكل نموذج العمارة، وكيفية CNN مع أنواع مختلفة من نماذج التعلم الآلي، إلى جانب بعضها البعض للقيام بهذه المقارنة؟
رابعا، هو مدى كفاءة إنتاج النماذج مع بني؟
وأخيرا، فإن كفاءة مشاكل في التعلم. سيتم وضع دراسة متعمقة في وقت مبكر في 1980s، ولكن نظرا إلى القيود المفروضة على جهاز الكمبيوتر، وتطوره هو أيضا غير مرضية. والتطورات الحديثة في القدرة الحاسوبية أنشأت فقط آلية تعلم الآلة. إذا نظرنا إلى الوراء، إلى الوضع اليوم، والأجهزة يتحسن، وتعلم كيفية جعله كفاءة للقيام تخصيص أكثر كفاءة أو تعديله؟ كفاءة تعلم كيفية التكيف مع مرحلة أفضل، لتحقيق نتائج جيدة؟ هذا هو التحدي عمق التعلم.
وبالإضافة إلى ذلك، فإن كمية البيانات التي يتم جمعها في النهاية كم الاحتياجات؟ سمعت الكثير من مفهوم البيانات الكبيرة، ولكن الصور MR قد يكون 128 * 128 البعد، وهناك الكثير من التدريب. وهناك كمية كبيرة من تحليل البيانات والإحصاءات يؤثر على تحليل البيانات الكبيرة والتعلم. تعرف تحديا للوزن وتقييم.
نحن بحاجة إلى دمج البيانات التجريبية لبناء النظرية عمق نموذج التعلم، من أجل الحصول على تقييم جيد من النتائج. للقيام بذلك، ونحن بحاجة إلى تعريف نظرية الاستراتيجية، من خلال هذه الاستراتيجية، لتقييم ونموذج التصحيح.
في هذه العملية، هناك آلية روتينية. هذا هو الأكثر مساهمة بسيطة - إخفاء - نموذج التدريب الانتاج - المعالجة. ولكن كيف يمكننا ضبط النظام، ونموذج يجعل التصحيح أكثر وضوحا، وأكثر روتينية، ولكن أيضا مكانا تستحق الاستكشاف.
في عملية نفعل عمق التعلم، وهناك مفهوم ثابت للغاية: نحن جميعا نريد أن نضع بعض أكثر من طبقات، أو تقليل المحتوى. في بعض الأحيان، قد تحتاج إلى طبقة بالإضافة قليلا أكثر خاصة. لكن المعرفة من قبل جيدا كيف المفهوم لجعله روتين، ولكن أيضا لتحدي هدفنا.
وهناك تحد آخر هو: دراسة غير عمق عمق لدينا في عملية التعلم للعمل، والهندسة المعمارية الأكثر شيوعا. ثم نريد لتقييم مدى هذه العمارة لايجاد وسيلة جيدة للقيام بذلك؟
وأخيرا، فيما يتعلق بكفاءة الحسابية. ذكرنا سابقا، فإن البيانات أداء الجهاز وسوف تؤثر بشكل مباشر أو غير مباشر على كفاءة الحسابية. كيفية تحقيق التوازن، وعمق الأبحاث بعد أن علم دراسة في اتجاه الخير.
فعلنا واحدة من أكثر استنتاج بسيط: وهي تستخدم أساسا التعلم العميق أن تفعل؟
تعلم عمق لديها امكانات كبيرة، وقادرة على تحليل كميات كبيرة من البيانات، وتحليل النتائج وإعطاء إجابات عن طريق التعلم. لذلك يستخدم على نطاق واسع، ليس فقط في مجال التصوير الطبي، في مناطق أخرى تسهم أيضا بشكل كبير. وعندما نقوم بتحليل بيانات كبيرة، والتعلم العميق يمكن أن توفر المعلومات لنا تبسيط. دراسة متعمقة يمكن تطويرها لا تزال كبيرة جدا، وهناك العديد من الأشياء قيمتها قيمة التحدي لاستكشاف.
في عام 2016 اجتماع RANA، وعمق التعلم، والتعلم الذكي شعبية جدا، أدرك الأطباء أن التعلم العميق يمكن أن تساعد التشخيص، ويساعد حتى على تحديد علاجات أكثر فعالية، والاجتماعات الأخيرة، يمكن أن نجد التعلم العميق ، وإمكانات سوق ضخمة وتطوير تحليل ذكي
وأعتقد أن التعلم العميق في تحليل الصور الطبية ذكي، يجب أن يكون هناك قيمة كبيرة.
