你好,游客 登录
背景:
阅读新闻

吕乐:面向医学图像计算的深度学习与卷积神经网络(65ppt)

[日期:2016-12-30] 来源:新智元  作者: [字体: ]

  【导读】本文是美国国家研究院健康临床中心(NIH-CC)吕乐在GTC DC上的演讲整理,主题有关利用深度学习和深度神经网络进行医学影像分析。

  在新智元微信公众号回复1229,可下载全部PPT。

放射医学中的深度神经网络:预防和精确医学的角度

  深度学习和深度神经网络对医学成像或医学影像分析有帮助吗?(答案是肯定的)

  淋巴结应用程序包(52.9%→85%, 83%)

  胰腺应用程序包 (~53%→81.14%,在遗传相似系数中)

  肺(间质性肺病)应用程序包 + DL读取胸部X射线

复杂性和模块性

  为什么以前的以及当前的计算机辅助诊断(computer-aided diagnosis,CAD)系统没有特别成功?

  机器决策对于人类医生来说不好接受:优秀的医生讨厌使用它;不太优秀的医生会困惑,不知道如何使用 →人机协作的决策过程

  使机器决策更易于理解对于协作系统来说非常关键 → 学习中级属性或嵌入?

  预防医学:人类医生做不到的是什么(数百万的人口规模,至少这是不经济的):人口风险分析

  精确医学:a)精确医学中的新的生物标记物,能够更好地协助人类医生做出更精确的判断;b)用于诊断/治疗系统的患者水平相似性检索系统

应用的焦点:癌症成像

三类关键问题:

  计算机辅助检测(CADe)和诊断(CADx)

医学图像分析中的语义分割

大型放射学影像数据库中的交替或联合文本/影像深度挖掘

自动淋巴结检测

  由于淋巴结外观、位置和姿态的变化很大,检测很困难。

  加之淋巴结与周围组织的对比度低。

浅层模型:使用线性分类器的二级层次结构的2D视图集合

  HOG: Histogram of Oriented Gradients + LibLinear on recognizing 2D Views

淋巴结检测FROC的性能

多通道HOG特征图构造

单一模板结果

分类

混合模型的检测结果

深度模型:通过综合表征的卷积神经网络预测的随机集

卷积神经网络架构

实验结果

我们的结果与前人研究的结果比较

转移学习的可视化

微调后更好的本地化

失败的例子

  可推广? 通过微调AlexNet,对1186例患者(或2372 CTC体积)使用更深的CNN的结肠CADe结果

  语义分割:自上而下还是自下而上的范式?

  更准确的成像使用淋巴结体积作为生物标记,而不是基于直径的RECIST标准?

  使用Holistically-Nested神经网络和CT成像中的结构化优化的自动淋巴结聚类分割

多尺度“缩小”R-ConvNet

DeepOrgan:通过双通道编码的R2-ConvNet

82 CT扫描的4倍CV性能

高于平均值的例子

  用于自动胰腺分割的Holistically-Nested网络的空间聚合

  更准确,更快?

通过多标签深度学习的整体ILD预测

使用深度神经网络学习阅读胸部X光片

使用MeSH的阅读结果更准确,标注更“像人类”

  在大型放射学数据库(780K / 62K患者)交替文本/影像深度挖掘的自动影像解释

  大规模放射数据库中的交替文本/图像深度挖掘?

无监督循环深度Pseudo-task优化

五级层级分类

层级分类样本

LDPO-PM框架

场景识别数据集

结果:监督分类的学习特征

 

收藏 推荐 打印 | 录入:admin | 阅读:
相关新闻      
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款