深度學習人工智能在醫(yī)療圖像處理中的應(yīng)用課件

深度學習人工智能在醫(yī)療圖像處理中的應(yīng)用

深度學習

深度學習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

深度學習的成功：

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)

+大的計算機

但真正的歷史是曲折的。。。

/p/1001603814055260359965自動特征提取

突破時刻ImageNet2012

皮膚癌診斷

斯坦福大學的研究人員開發(fā)深度學習算法，識別皮膚癌的準確率與專業(yè)的人類醫(yī)生相當，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（“至少”91%）。

本人在MIT博士后期間（2007）開始將深度學習應(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,andH.S.Seung.SupervisedLearningofImageRestorationwithConvolutionalNetworks.Proceedings:IEEE11thInternationalConferenceonComputerVision(ICCV)

(2007).視網(wǎng)膜神經(jīng)元的分類

SumbulU&,SongS&,McCullochK,BeckerM,LinB,SanesJR,MaslandR,SeungSH*.(2014)Ageneticandcomputationalapproachtostructurallyclassifyneuronaltypes.NatureCommunications,5:3512(co-firstauthor)ThefundamentalplanoftheretinaPhotoreceptors:Horizontal:Bipolar:Bipolar:Amacrine:Ganglion:Reference:Masland,R.H.(2001).Thefundamentalplanoftheretina.NatNeurosci,4(9):877-886.為什么困難？

錯誤的斷開

錯誤的融合

需要先驗知識.用機器學習方法來重構(gòu)神經(jīng)元

+Train卷積神經(jīng)網(wǎng)絡(luò)

端到端訓練

HandDesignedFiltersversusEndtoEndLearning分兩步走

如何標注圖像很重要

HowtoGenerateTrainingLabels

morphology利用先驗知識，讓電腦學習最重要的東西

最重要的是拓撲連接結(jié)構(gòu)

本實驗室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

乘法機制

運用到圖像分割問題上

QianWang,JiaxingZhang,SenSong,ZhengZhangAttentionalNeuralNetwork:FeatureSelectionUsingCognitiveFeedbackNIPS2014傳統(tǒng)人工神經(jīng)元模型認為信號整合是線性的，只有動作電位發(fā)放是非線性的。

DataScienceBowl2017?$1Mprize?1700+teams?1000+kernels肺癌輔助診斷

在今年的數(shù)據(jù)國際大賽上

本實驗室和胡曉玲老師、張鈸老師

實驗室學生

廖方舟

李哲

運用相關(guān)技術(shù)

獲得了世界第一的成績

根據(jù)CT圖像預(yù)測一年后發(fā)病概率

NoduleDetectorNet(N-Net)3Dcube2432646464128128645*K3Doutput326416864RR323264321612812832643232CaseClassificationNet(C-Net)Top5proposals+dummynodule12899.97%P1

=69.06%32128N-Net97.36%P2

=65.22%3212886.48%P3

=69.69%3212871.84%P4

=2.08%3212869.65%P5

=5.97%32Pd

=0.97%類腦計算

--邁向通用人工智能

類腦計算是一門融合了腦科學與計算機科學、信息科學和人工智能等領(lǐng)域的交叉學科，

類腦計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)展起來的新計算技術(shù)。

其與現(xiàn)代計算機相結(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，最終促進計算機、大數(shù)據(jù)、機器人、人工智能等的發(fā)展。

對未來的展望

1小數(shù)據(jù)問題

減少對標注的依賴，讓相關(guān)算法自適應(yīng)性更強

這對醫(yī)療圖像很重要，各醫(yī)院采取的機器格式等不一樣。

2可解釋的機器學習

需要有中間結(jié)果及推理過程，而不完全是黑箱操作

3多模態(tài)融合

綜合多種成像手段，以及其他檢測指標對疾病做出輔助診斷

1小樣本問題

--學習去學習

減少對標注的依賴

對醫(yī)療數(shù)據(jù)很重要

學習寫字

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來區(qū)分。

有了這個初始模型之后，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)學習連續(xù)的筆畫和子筆畫之間的統(tǒng)計關(guān)系，以及單個筆畫所能容忍的變異程度。這個系統(tǒng)從未在它所分析的書寫系統(tǒng)上進行過任何訓練，它只是推理出了人類寫字的一般規(guī)律。

24可解釋的機器學習

--深度學習到底學了什么？

Ｆｒｏｍ

Ｍａｔｔｈｉａｓ

Ｂｅｔｈｇｅ

Ｔａｌｋ

2522可解釋的機器學習

既有直覺又有推理的完整系統(tǒng)

263多模態(tài)融合和復雜決策

整合電子病例信息

自學習人工智能在預(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/AH