《深度學(xué)習(xí)人工智能在醫(yī)療圖像處理中的應(yīng)用課件》由會(huì)員分享，可在線閱讀，更多相關(guān)《深度學(xué)習(xí)人工智能在醫(yī)療圖像處理中的應(yīng)用課件（28頁珍藏版）》請?jiān)谘b配圖網(wǎng)上搜索。

1、單擊此處編輯母版標(biāo)題樣式,單擊此處編輯母版文本樣式,第二級,第三級,第四級,第五級,*,*,深度學(xué)習(xí)人工智能在醫(yī)療圖像處理中的應(yīng)用,深度學(xué)習(xí)人工智能在醫(yī)療圖像處理中的應(yīng)用,深度學(xué)習(xí),深度學(xué)習(xí)算法受到靈長類視覺系統(tǒng)結(jié)構(gòu)的啟發(fā),近年來在很多領(lǐng)域取得了突破,從,2016,年起在醫(yī)療圖像領(lǐng)域也取得一系列突破,深度學(xué)習(xí) 深度學(xué)習(xí)算法受到靈長類視覺系統(tǒng)結(jié)構(gòu)的啟發(fā) 近年來在,深度學(xué)習(xí)的成功：,回過頭看：,很早就發(fā)現(xiàn)的受大腦啟發(fā)的算法,+,大數(shù)據(jù),+,大的計(jì)算機(jī),但真正的歷史是曲折的。,http:/ 2012,突破時(shí)刻 ImageNet 2012,皮膚癌診斷,斯坦福大學(xué)的研究人員開發(fā)深度學(xué)習(xí)算法，識別皮膚癌的

2、準(zhǔn)確率與專業(yè)的人類醫(yī)生相當(dāng)，相關(guān)研究論文被選為封面論文在,2016,年底的,Nature,發(fā)表。研究人員訓(xùn)練系統(tǒng)觀看了近,13,萬張痣、皮疹和其他皮膚病變的圖像，然后讓系統(tǒng)與,21,位皮膚科醫(yī),生對比測試，結(jié)果系統(tǒng)的精確度與人類醫(yī)生相當(dāng)（“至少”,91%,）。,皮膚癌診斷 斯坦福大學(xué)的研究人員開發(fā)深度學(xué)習(xí)算法，識別皮膚癌,本人在,MIT,博士后期間（,2007,）開始將深度學(xué)習(xí)應(yīng)用到生物圖像上,基于電子顯微鏡的腦鏈接組解析,V.Jain,J.F.Murray,F.Roth,S.Turaga,V.Zhigulin,K.L.Briggman,M.N.Helmstaedter,W.Denk,and

3、H.S.Seung.,Supervised Learning of Image Restoration with Convolutional Networks.,Proceedings:IEEE 11th International,Conference on Computer Vision(ICCV),(2007).,視網(wǎng)膜神經(jīng)元的分類,Sumbul U&,Song S&,McCulloch K,Becker M,Lin B,Sanes JR,Masland R,Seung SH*.(2014)A genetic and,computational approach to structura

4、lly classify neuronal types.,Nature Communications,5:3512(co-first author),本人在MIT博士后期間（2007）開始將深度學(xué)習(xí)應(yīng)用到生物圖,The fundamental plan of the retina,Photoreceptors:,Horizontal:,Bipolar:,Bipolar:,Amacrine:,Ganglion:,Reference:,Masland,R.H.(2001).The fundamental plan of the retina.,Nat Neurosci,4(9):877-886.,

5、The fundamental plan of the re,深度學(xué)習(xí)人工智能在醫(yī)療圖像處理中的應(yīng)用課件,為,什么困,難,？,錯(cuò)誤的斷開,錯(cuò)誤的融合,需要先驗(yàn)知識,.,為什么困難？錯(cuò)誤的斷開 錯(cuò)誤的融合 需要先驗(yàn)知識.,用機(jī)器學(xué)習(xí)方法來重構(gòu)神經(jīng)元,+,Train,用機(jī)器學(xué)習(xí)方法來重構(gòu)神經(jīng)元+Train,卷積神經(jīng)網(wǎng)絡(luò),端到端訓(xùn)練,Hand Designed Filters versus End to End Learning,卷積神經(jīng)網(wǎng)絡(luò) 端到端訓(xùn)練 Hand Designed Fil,分兩步走,分兩步走,如何標(biāo)注圖像很重要,How to Generate Training Labels,mor

6、phology,如何標(biāo)注圖像很重要 How to Generate Trai,利用先驗(yàn)知識，讓電腦學(xué)習(xí)最重要的東西,最重要的是拓?fù)溥B接結(jié)構(gòu),利用先驗(yàn)知識，讓電腦學(xué)習(xí)最重要的東西 最重要的是拓?fù)溥B接結(jié)構(gòu),本實(shí)驗(yàn)室,2014,年提出注意力神經(jīng)元網(wǎng)絡(luò),基于生物神經(jīng)元樹突的非線性特征,乘法機(jī)制,運(yùn)用到圖像分割問題上,Qian Wang,Jiaxing Zhang,Sen Song,Zheng Zhang,Attentional Neural Network:Feature Selection Using Cognitive Feedback NIPS 2014,傳統(tǒng)人工神經(jīng)元模型認(rèn)為信號整合是線性的，

7、只有動(dòng)作電位發(fā)放是非線性的。,本實(shí)驗(yàn)室2014年提出注意力神經(jīng)元網(wǎng)絡(luò) 基于生物神經(jīng)元樹突的,Data Science Bowl 2017,?,$1 M prize,?,1700+teams,?,1000+kernels,肺癌輔助診斷,在今年的數(shù)據(jù)國際大賽上,本實(shí)驗(yàn)室和胡曉玲老師、張鈸老師,實(shí)驗(yàn)室學(xué)生,廖方舟,李哲,運(yùn)用相關(guān)技術(shù),獲得了世界第一的成績,Data Science Bowl 2017?$1 M,根據(jù),CT,圖像預(yù)測一年后發(fā)病概率,根據(jù)CT 圖像預(yù)測一年后發(fā)病概率,Nodule Detector Net(N-Net),3D cube,24,32,64,64,64,128,128,64,

8、5*K,3D output,32,64,16,8,64,R,R,32,32,64,32,16,128,128,32,64,32,32,Nodule Detector Net(N-Ne,Case Classification Net(C-Net),Top 5 proposals+dummy nodule,128,99.97%,P,1,=69.06%,32,128,N-Net,97.36%,P,2,=65.22%,32,128,86.48%,P,3,=69.69%,32,128,71.84%,P,4,=2.08%,32,128,69.65%,P,5,=5.97%,32,P,d,=0.97%,Cas

9、e Classification Net(C-Net,類腦計(jì)算,-,邁向通用人工智能,類腦計(jì)算是一門融合了腦科學(xué)與計(jì)算機(jī)科學(xué)、信息科學(xué)和人工,智能等領(lǐng)域的交叉學(xué)科，,類腦計(jì)算借鑒了人腦存儲和處理信息的方式，是基于神經(jīng)形態(tài),工程發(fā)展起來的新計(jì)算技術(shù)。,其與現(xiàn)代計(jì)算機(jī)相結(jié)合，將構(gòu)成人工通用智能的基礎(chǔ)，并大幅,提高智能處理能力，最終促進(jìn)計(jì)算機(jī)、大數(shù)據(jù)、機(jī)器人、人工,智能等的發(fā)展。,類腦計(jì)算-邁向通用人工智能 類腦計(jì)算是一門融合了腦科學(xué)與,對未來的展望,1,小數(shù)據(jù)問題,減少對標(biāo)注的依賴，讓相關(guān)算法自適應(yīng)性更強(qiáng),這對醫(yī)療圖像很重要，各醫(yī)院采取的機(jī)器格式等不一樣。,2,可解釋的機(jī)器學(xué)習(xí),需要有中間結(jié)果及推

10、理過程，而不完全是黑箱操作,3,多模態(tài)融合,綜合多種成像手段，以及其他檢測指標(biāo)對疾病做出輔助診斷,對未來的展望 1小數(shù)據(jù)問題 減少對標(biāo)注的依賴，讓相關(guān)算法自,1,小樣本問題,-,學(xué)習(xí)去學(xué)習(xí),減少對標(biāo)注的依賴,對醫(yī)療數(shù)據(jù)很重要,學(xué)習(xí)寫字,在這篇論文中，研究者的模型只規(guī)定了字符由筆畫組,成，筆畫由抬高筆觸來區(qū)分，而筆畫又由更小的子筆,畫組成，子筆畫用筆尖速度為零的點(diǎn)來區(qū)分。,有了這個(gè)初始模型之后，研究者向,AI,展現(xiàn)了人類手寫,文字的方式，包括筆畫順序等，讓系統(tǒng)學(xué)習(xí)連續(xù)的筆,畫和子筆畫之間的統(tǒng)計(jì)關(guān)系，以及單個(gè)筆畫所能容忍,的變異程度。這個(gè)系統(tǒng)從未在它所分析的書寫系統(tǒng)上,進(jìn)行過任何訓(xùn)練，它只是推理出

11、了人類寫字的一般規(guī),律。,24,1 小樣本問題 -學(xué)習(xí)去學(xué)習(xí) 減少對標(biāo)注的依賴 對醫(yī)療,可解釋的機(jī)器學(xué)習(xí),-,深度學(xué)習(xí)到底學(xué)了什么？,25,2,可解釋的機(jī)器學(xué)習(xí)-深度學(xué)習(xí)到底學(xué)了什么？,2,可解釋的機(jī)器學(xué)習(xí),既有直覺又有推理的完整系統(tǒng),26,2 可解釋的機(jī)器學(xué)習(xí) 既有直覺又有推理的完整系統(tǒng) 26,3,多模態(tài)融合和復(fù)雜決策,整合電子病例信息,自學(xué)習(xí)人工智能在預(yù)測心臟病發(fā)作上擊敗人類醫(yī)生,?,在新的研究中，,Weng,和他的同事比較了,ACC/AHA,指南與隨機(jī)森林，邏輯回歸，梯度增強(qiáng)和神經(jīng)網(wǎng)絡(luò)這四種機(jī)器學(xué)習(xí),算法的應(yīng)用,。所有四種技術(shù)都在沒有人為指導(dǎo)的情況下通過分析大量數(shù)據(jù)形成了預(yù)測工具。這一研究中的數(shù)據(jù)來自英國,378256,名患者的電子病歷。其目標(biāo)是在心血管疾病相關(guān)數(shù)據(jù)中找出模式。,3 多模態(tài)融合和復(fù)雜決策 整合電子病例信息 自學(xué)習(xí)人工智能,Thank you,！,謝謝,匯報(bào)完畢,Thank you！謝謝 匯報(bào)完畢,