2019-05-12 12:17:48 rendawei636 阅读数 930
  • 遥感影像深度学习样本制作

    本课程主要讲解遥感数据影像分类和目标检测的样本格式,通过结合遥感影像数据的特点和是否有对应的矢量数据,利用计算机视觉工具、PS、ArcGIS等软件制作遥感分类和目标检测深度学习的样本。

    22 人正在学习 去看看 郑新杰

一、模型

核心模型采用现在吴恩达的ChexNet模型,此模型是121层的DenseNet。虽然模型的诊断结果较四位影像科的诊断结果在给出的数据集上要好,并且吴恩达自己也说Should radiologists be worried about their jobs? Breaking news: We  can now diagnose pneumonia from chest X-Rays better than radiologists. 但是招来的Diss一大片,毕竟在影像圈里这个结论未免下的有点早。不过,个人还是站在人工智能一队的。

我们生产环境中,在此模型前,又加入了正位和其他部位影像分类的模型。训练环境中,还加入了Unet肺部分割模型,影像前处理,例如对于没有(window center\window width)的影像进行自动窗宽窗位计算。

二、模型关键代码解读

1 随机放大剪切处理

normalize = transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
transformList = []
transformList.append(transforms.RandomResizedCrop(transCrop))#随机放大剪切
transformList.append(transforms.RandomHorizontalFlip())
transformList.append(transforms.ToTensor())
transformList.append(normalize)

ChexNet采用的方法,是将3000X3000的DR影像的原图像缩小到1024的大小。只比原图缩小了3倍的大小,纹理细节损失的比较少,而且计算机对纹理的感知肯定比人眼更强,可以分辨更细微纹理。另外,现在大部分对DR诊断的显示器,也只有1M,很多的时候,老师也不放大去观察影像。所以,这两方面原因来说,缩小原来的3倍大小,是可以接受的。我们在处理这部分的影像的时候,首先是要将影像裁剪到大概单边2800大小,这样缩放到1024后,就更多保留图中的信息。
2 ChexNet对1024图像用RandomResizedCrop的方法处理,也就是在原图上,随机缩放,然后随机截取其中的大小为224图片。这里可能开发者会有疑问,在某些时刻根本就截取不到病灶的位置,这样的图片个也作为一个正样本,对模型进行训练。这么做的真真原因是,在负样本中,也能截取到类似的区域的图像,又被认定为负样本,这样多次训练后,这种图像的特征肯定是被压制了,真真病灶特诊就相对提高了。
3 和ChexNet不同的是,我们还对影像中的肺部区域进行分割,然后用分割后图像才进行训练。分割所用的模型是UNet基础上加入了ResNet中的短接处理。正常的情况下,肺部的分割效果很不错,如下图所示。但是对于某些病变肺,无论如何效果也不能满足,如图2所示,右上肺产生了实性变,但是分割算法没有识别出来。所以,我们在分割后的图像上又做了些常规的算法处理,最后结果图像,如图3所示。

图1

图2

图3

三、训练结果

我们从数据库中,标记了大概11000个肺结核,11000个负样本。ROI图如下

四、工程实现效果

选取threshold为0.42,再将定位的图发送到前端H5,利用js将热力图和dicom灰度图进行合并后,显示如下

对应的老师报告如下

{"finding":"双侧胸廓大致对称。右上肺可见斑点及索条状密度增高影,边界清晰。余肺内未见其它异常阴影。肺门形态、大小及位置未见异常。纵隔无增宽表现,位置居中无移位,心影不大,形态未见异常。双侧膈肌光整,肋膈角锐利。片内所示胸廓骨骼及胸壁软组织无异常表现。","result":"右上肺结核,病灶基本纤维化、钙化。"}

2020-03-03 01:02:59 weixin_40651515 阅读数 317
  • 遥感影像深度学习样本制作

    本课程主要讲解遥感数据影像分类和目标检测的样本格式,通过结合遥感影像数据的特点和是否有对应的矢量数据,利用计算机视觉工具、PS、ArcGIS等软件制作遥感分类和目标检测深度学习的样本。

    22 人正在学习 去看看 郑新杰

什么是深度学习,为何意义重大,以及这种创新的人工智能战略将如何改变医疗行业?

目录

序言

深度学习概述

深度学习在医疗领域的应用

影像分析和诊断

电子病例分析与处理

临床决策支持和预测分析

深度学习在医疗领域发展前景


序言

2018年11月30日各种规模、类型的医疗保健组织对人工智能如何在降低成本和提高效率的同时为医疗提供更为完善的支持性服务进行了探索。在较短的时间内,AI的可用性和复杂性爆炸式增长,深度学习是一个不错的起点。人工智能的这一分支已迅速为医疗领域带来了巨大的变革,为之提供了前所未有的高速度、超精度分析数据的能力。但是,深度学习到底是什么?它与其他机器学习策略有何不同?如何利用深度学习技术来促进医疗领域的革新是目前最紧迫的研究问题?

深度学习概述

深度学习也称为分层学习或深度结构化学习,是一种使用分层算法体系结构来分析数据的机器学习方法。在深度学习模型中,数据通过多层级联进行过滤,每个连续的层都使用前一层的输出作为该层的输入,深度学习模型随着处理更多数据而变得越来越准确,本质上是从先前的结果中学习知识以完善内部参数及其内部链接。深度学习大致是基于生物神经元相互连接以处理大脑中信息的方式进行实现的。其数据传递类似于电信号在生物细胞中传播的方式,隐藏层中当前节点的接收来自前一节点的刺激时,就会激活它。这些“隐藏”层用于执行数学翻译任务,将原始输入转化为有意义的输出。

2015年在《自然》杂志上发表的一篇文章,该文章定义“深度学习方法是具有表示形式的多层次的表示学习方法,它是通过组合简单但非线性的模块而获得的,每个模块都将一个级别的表示(从原始输入开始)转换为更高,更抽象的级别的表示”。 与其他类型的机器学习不同,深度学习不需要额外特征工程,将原始数据(例如图像的像素值)转换为合适的内部表示或特征向量。深度学习方法(通常是分类器)就可以检测出输入数据的模式或者类别。其额外好处是能够做出决策,而减少人为参与。

深度学习在医疗领域的应用

影像分析和诊断

卷积神经网络(CNN)是一种深度学习模型,特别适合分析图像,例如MRI结果或X射线。 

在2018年6月,在肿瘤学年报显示,卷积神经网络训练分析皮肤科图像鉴定特异性黑色素瘤。即使当临床医生掌握了有关患者的背景信息(例如年龄,性别和可疑特征的身体部位)时,CNN的表现也比皮肤科医生高出近7%。

除了高度准确之外,深度学习工具还很快速。 

西奈山伊坎山医学院的研究人员开发出了一种深度神经网络模型,该能够诊断重要的神经系统疾病,例如中风和脑出血,其速度是人类放射科医生的150倍。

电子病例分析与处理

对电子健康记录(EHR)进行分析是自然语言处理领域的重要研究内容,比如根据电子病例进行并发症预测等;例如,由Google、旧金山加州大学旧金山分校、斯坦福大学和芝加哥大学组成的团队开发了一种基于深度学习的自然语言处理方法,该方法分析了两家医院的216,000个EHR中的460亿个数据点。 用于识别和预测病人住院时间和预测住院病人的死亡率等等。但是需要大量的数据支持。

临床决策支持和预测分析

医疗领域对深度学习在多种情况下的临床决策支持和预测分析中的作用寄予厚望。 比如:麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员创建了一个名为ICU Intervene的项目,该项目利用深度学习来提醒临床医生注意重症监护病房的患者病情恶化  。Google也在眼部疾病临床决策支持方面处于领先地位。该公司位于英国的子公司DeepMind 正在开发一种商业化的深度学习CDS工具,该工具可以识别50多种不同的眼疾,并为每种眼疾提供治疗建议。在《自然》杂志上发表的一项支持性研究中,DeepMind和Moorfields眼科医院发现该工具与人类临床医生一样准确,并且有可能通过减少检查和诊断的时间来显着扩大获得护理的机会。

深度学习在医疗领域发展前景

待总结

2019-11-19 09:24:19 weixin_44292902 阅读数 224
  • 遥感影像深度学习样本制作

    本课程主要讲解遥感数据影像分类和目标检测的样本格式,通过结合遥感影像数据的特点和是否有对应的矢量数据,利用计算机视觉工具、PS、ArcGIS等软件制作遥感分类和目标检测深度学习的样本。

    22 人正在学习 去看看 郑新杰

课件为人工智能讲师叶梓人工智能系列课程之一,更多课程,及老师资料可点击 个人主页

 

人工智能之深度学习在医学影像领域应用技术实战课程介绍

近年来,随着人工智能领域异军突起,深度学习(Deep Learning)技术在医学影像方面的应用越来越广泛而深入,对于提高临床医疗水平、实现精准医疗起着越来越重要的作用,并已迅速成为医学图像分析研究热点,在学术界和工业界取得了广泛的成功以及已成为人工智能技术落地的重要突破口。为了帮助更多的医学界同仁及相关研究人员了解医学影像人工智能学科前沿、提高技术水平,研数数据科技特主办”医学影像人工智能深度学习实战培训班”。

课程特色:

1、 本课程力图理论结合实践,强调从零开始,重视动手实践;

2、 课程内容以原理讲解为根本,以应用落地为目标。报名时学员可将工作中遇到的问题提交给老师,课中老师将选择典型问题现场讨论指导;

3、 课程通过大量形象的比喻和手算示例来解释复杂的学习理论,既能将原理充分讲懂讲透,也避免了繁复而枯燥的公式推导。

 

课程体系:

第一课:概述与环境配置安装准备工作

 

1.1 课程简介

1.2 Anaconda Python安装

1.3TensorFlow或TensorFlow-GPU的安装

1.4 Keras安装

1.5 OpenCV环境安装

第二课:计算机视觉及其在医疗领域的应用

 

2.1 计算机视觉简介

2.2 数字图像的存储

2.3 医学影像种类

2.4 医学影像的存储

2.5 病理切片的存储

2.6 计算机视觉任务的目标分类及难点

2.7 医学影像自动读片任务简介

2.8 病理读片任务简介

2.9 其他医疗图像领域的应用

第三课:图像预处理与特征提取

 

3.1 对比度和亮度校正

3.2 平滑与锐化:初识卷积

3.3 HE、AHE与CLAHE

3.4 边缘检测、角点检测、斑块检测

3.5 SIFT特征

3.6 SURF特征         

3.7 ORB特征               

3.8 HOG特征

第四课:神经网络

 

4.1 神经网络的由来

4.2 人工神经元及感知机模型

4.3 前向(Feed Forward)神经网络

4.4 神经网络的权值

4.5 激励函数:sigmoid、tanh等

4.6 损失函数

4.7 神经网络的训练:梯度下降法

4.9 手算神经网络BP算法

4.8 神经网络的训练:误差反向传播算法详解

4.10 手写数字的识别

第五课:深度神经网络

 

5.1 深度学习与神经网络的区别与联系

5.2 梯度消散问题分析

5.3 梯度消散解决方案(ReLU)

5.4 过拟合问题

5.5 Dropout

5.6 批量正则化(Batch Normalization)

5.7 神经元的初始化

5.8 权重衰减(Weight Decay)

5.9 各种梯度下降的优化方法(SGD、Adagrad、RMSprop、Adam等)

第六课:图像分类及其在医疗领域的应用

 

6.1 图像分类概述

6.2 AlexNet

6.3 卷积层的误差反向传播

6.4 池化层的误差反向传播

6.5 VGG(5层变为5组)

6.6 迁移学习

6.7 应用案例:通用领域的图像识别

6.8 GoogLenet和Inception模块

6.9 ResNet

6.11 应用案例:病理切片良恶性分析

6.10 FPN

6.12 应用案例:细胞计数等

第七课:目标检测及其在医疗领域的应用

 

7.1 目标检测问题

7.2 应用案例:基于级联分类器的人脸检测

7.3 支持向量机(SVM)简介

7.4 应用案例:行人检测

7.5 R-CNN

7.6 快速R-CNN

7.7 更快的R-CNN

7.8 YOLO

7.9 应用案例:医疗影像领域的目标检测案例(肺小结节)

第八课:图像分割及其在医疗领域的应用

 

8.1 全卷积网络(FCN)

8.2 上采样的三种实现方式

8.3 膨胀卷积

8.4 DeepLab V1~V3

8.5 U-Net

8.6 V-Net和3D U-Net

8.7 FC-DenseNet

8.8 应用案例:利用U-Net实现的前列腺的分割

第九课:现场解答问题

 

学员可提交一到两个实际工作中遇到的问题,讲师会在课程结束后,会选择比较有代表性的问题进行解答。

2019-11-16 19:25:00 weixin_38753768 阅读数 69
  • 遥感影像深度学习样本制作

    本课程主要讲解遥感数据影像分类和目标检测的样本格式,通过结合遥感影像数据的特点和是否有对应的矢量数据,利用计算机视觉工具、PS、ArcGIS等软件制作遥感分类和目标检测深度学习的样本。

    22 人正在学习 去看看 郑新杰

640?wx_fmt=gif

640?wx_fmt=png

写在前面
640 
在传统医疗领域,医院内每日的医学影像数据量巨大,影像科医生做着大量重复性和机械性的工作。每张片子都需要医生仔细筛查和甄别,耗费了大量的精力,同时过于机械和重复性的工作也使得医生可能由于过于疲乏而产生判断上的失误。

近年来,随着深度学习的发展,医学影像逐渐成为人工智能最有潜力的落地领域之一。在这里我们将对医学影像遇上深度学习后的当前行业应用进行介绍和分析希望能够帮助对人工智能在医学影像上的研究和应用感兴趣的同学们更好地了解行业的现状和发展方向。

肺结节AI辅助诊断 
640

肺癌,在我国的发病率、死亡率极高,伤害着无数家庭。在我国每年都有近60万人死于肺癌。肺癌防治的重要手段是早期筛查,其中胸部低剂量CT是国际公认的有效手段。而在如今传统的阅片模式中,医学影像面临医疗从业人员短缺,人工分析模式精准度受限,以及基层医院医疗机构诊断水平参差不齐,高年资医生匮乏,易出现漏诊、误诊等问题。

640?wx_fmt=png

现阶段市场中的人工智能肺CT产品已经实现了肺结节的检出功能,可支持包括:实性结节、磨玻璃结节、形态不规则的大结节、血管旁结节、肺门区结节等。支持提供量化信息检测如自动测量病灶的长径、短径、CT值、体积等参数。支持提供定性信息检测如病灶密度:实性、部分实性、磨玻璃、钙化,以及病灶良恶性等级分类:良性、疑似良性、恶性、疑似恶性。另外支持多种伴随征象的检出,如边界模糊、分叶、毛刺、胸膜牵拉、血管集束等。此外还有肿块、斑片、网影、条索影、气胸、胸腔积液等病变检出。部分产品还含有胸部骨质病变筛查功能,自动检出骨折,支持3D的可视化帮助医生定位,进行全面智能分析与诊断。

在国内,各企业积极响应国家基础医疗建设和分级诊疗制度实施的号召,应用深度学习的技术,携手各大高校科研机构与国内医院,运用国际前沿技术,使人工智能医学影像诊断达到国际领先水平,在各系统疾病的精确诊断方面处于行业领先,为医生进一步诊疗决策提供临床建议。

很多创业公司都研发了肺部CT检测相关产品,此类产品也是国内医学影像创业公司的门槛产品。该方向起源于国际LIDC以及LUNA的肺结节检出竞赛。目前,各个公司推出了他们的相关产品。例如,深睿医疗(DeepWise)推出的Dr.WISE CAD医疗影像诊断系统;推想科技(Infervision)的InferReadCTLung产品系统;依图医疗(YITU)、图玛深维(12Sigma)、医准智能(MEDICAL AI)等公司的产品,均已经在市场上投入使用。上市公司方面,阿里健康研发的医疗AI产品“Doctor You”已经公开发布,此外还有科大讯飞、中国平安集团旗下平安科技、腾讯觅影等。

在国外,具有代表性的有谷歌的深度思维(DeepMind,美国)、西门子(SIEMENS,德国)、飞利浦(PHILIPS,荷兰)、ARTERYS、通用电气(GE,美国)等公司研发的相关产品,均可以支持病灶筛查、定位、定量标注、诊断等一系列阅片流程,从而推进精准医疗建设,优化病患就医体验。

乳腺X线AI诊断 
640

乳腺癌是全世界最常见的女性肿瘤并且是导致女性因肿瘤死亡的主要癌种。在我国,新诊断的乳腺癌病例占全球乳腺癌新发病例的12.2%,死亡率为9.6%,乳腺癌已经成为我国女性癌症死亡的主要原因之一,研究证实乳腺癌筛查与降低乳腺癌发病率及死亡率明显相关。

现阶段,国内针对乳腺影像的智能辅助诊断主要集中在乳腺钼靶领域。尽管超声作为指南推荐首选早筛方式,但由于超声检查影像结果受设备、操作人员、操作手法等差异较大的影响,且为动态图像,无法形成标准化数据集,故而训练难度极大,AI辅助诊断效果往往不尽如人意。相较之下,乳腺数字X线检查具有良好的对比度及分辨力,能够分辨组织间细微结构密度的差别,且操作简单,价格相对低廉,易于接受,诊断准确率较高,是国际上公认的乳腺癌早期机会性筛查及早期发现的有效措施。

640?wx_fmt=png

目前已有数家厂商进军乳腺X线影像智能诊断领域并发布相关产品,大多数产品都具备了基础的肿块、钙化检出能力。少数领先厂商的系统不仅能检出肿块、钙化、结构扭曲、不对称,还能进行腺体分型、病灶检出以及全征象描述、BI-RADS分类、生成结构化报告等。医生在临床诊断过程中使用这些产品进行辅助判断,产品性能已达到临床可用程度,临床性能已接近资深的专业乳腺X线钼靶阅片医师。

国内外乳腺X线影像智能辅助诊断产品主要功能集中在钙化和肿块的检出以及病灶的分析方面。其中深睿医疗(DEEPWISE)、依图医疗(YITU)和腾讯觅影的产品市场试用规模较大,产品针对临床诊断辅助支持功能较完善。推想科技(infervision)、医准智能(MEDICAL AI)也相继在市场上发布了辅助产品。

国外在乳腺X线影像智能辅助诊断产品研发中较为突出的公司主要包括谷歌(googleDeepMind,美国)、英特尔(Intel,美国)、豪洛捷(Hologic,美国)、Medipattern公司(加拿大),其中Medipattern公司(加拿大)乳腺超声CAD设备B-CAD2005年获得了FDA批准进入美国销售。英特尔(Intel,美国)在国内与汇医慧影公司合作,共同开发“人工智能乳腺全周期健康管理系统”助力乳腺癌早期筛查以及诊治。其中东软的乳腺X线计算机辅助检测(CAD)产品已经完成了国内国家食品药品监督管理总局(CFDA)的认证并有限投入市场进行使用。

脑部影像AI诊断 
640

我国脑卒中的发病率已经超过心血管疾病,成为致死、致残率最高的疾病,并且发病率呈逐年上升的趋势,此外脑血管病和颅内肿瘤等脑部疾病也危害人们的健康。随着人工智能在医疗方面的迅速发展,脑影像方面的AI应用也得到了新的发展思路和方向。

640?wx_fmt=png

人工智能当前已经在出血性脑卒中、缺血性脑卒中、脑血管、脑肿瘤四个方面对脑部影像产品予以赋能,其中:

1)对于出血性脑卒中,可以做到对脑出血的血肿病灶进行自动检出,检出的同时对病灶进行影像学测量,以“像素级”的精度对病灶进行精准测量,检出病灶的同时对病灶进行性质分类,同时对相关伴随征象进行检出,并生成结构化报告。基于临床应用场景,设定针对于不同出血类型的随访功能,给予临床相应的提示,来指导临床进行治疗方案的选择。

2)在缺血性脑卒中,急性期CT平扫方面,人工智能诊断系统给出预测的病灶位置,结合临床症状可以更好地帮助临床医生选择下一步的治疗方案。基于CTP中的CBVCBFTTPMTTTmax序列以及MRI序列中PWI序列、SWI序列可以对缺血半暗带进行精准测量,实现缺血半暗带与核心梗死去量化分析,从而指导临床进行下一步治疗。基于MRI头颅平扫DWI序列的ASPECT评分,可以第一时间给出相应的评分,方便临床医生快速评估患者预后。

3)在出血和梗死的病因方面,基于CTA的脑血管检测可以对于狭窄的血管以及动脉瘤进行检出,大幅缩短了医生的阅片时间并降低了漏诊的概率。

4)在颅内肿瘤方面,基于多模态融合与知识图谱体系可以对颅内肿瘤进行细致化的影像学分析,最终给出最接近病例层级的诊断结果。

目前国外脑部影像AI关于出血性脑卒中方面的产品主要功能集中在出血体积测量、分类以及预后分析等方面。国内脑部影像AI产品研发的其他方向还包括头颈CTA血管重建以及病变分析。其中,比较有代表性的是数坤科技的心脑血管分割产品。此外,脑肿瘤自动识别及诊断分析(天医智)也取得了不错的成果,在少数医院已经开始进行临床试用。深睿医疗以及推想科技研发的脑卒中辅助诊断系统则较多的处于试用阶段。

国外在出血性脑卒中比较突出的公司有CuraCloud公司(美国)、BlackFord公司(美国)、EIRL公司(日本)、QURE公司(美国),产品形态较为成熟,以上4家公司的产品均通过FDA认证并投入到市场进行试用。对于脑肿瘤方面国外进行产品研发的方向较少,具有代表性的有AI ANALYSIS公司(美国),主要研究方向为MRI全序列颅内肿瘤变化分析。国外脑部其他病变AI产品具有代表性的还有 CORTECHS (美国),主要研究方向为基于FLAIR序列的脑萎缩检测,以及脑白质变性的检测等方面。

骨龄AI辅助诊断
640

国家卫计委发布的《中国居民营养与慢性病状况报告(2015)》显示,我国6-17岁的儿童青少年肥胖率超过8%,性早熟、矮小、小儿肥胖已经成为我国目前三大小儿常见内分泌问题。如不及时治疗,会给患儿体格发育、心理发育、升学、就业和婚姻等带来许多不良影响。

我国目前每年因矮小到正规医疗机构就诊的儿童数量、接受合理治疗的儿童数量都很低,即总体知晓率和治疗率严重偏低,社会整体的矮小儿童治疗现状不理想。由于生长发育相关的专业人力方面存在短缺和不足,很多医院为了满足接诊等服务能力的需要,选择了效率高的骨龄评价方法。

640?wx_fmt=png

提高骨龄诊断的效率和效果,其价值在于能更加准确地反映个体的生长发育水平和成熟程度。这不仅可以确定儿童的生物学年龄,还可以通过骨龄及早了解儿童的生长发育潜力以及性成熟的趋势。对于一些身材矮小患者的问题能够进行更好的评估,治疗具有很大的指导意义,进而能够更好的给予干预治疗,让孩子的身高能够得到改变。

目前已有数家厂商进军骨龄AI领域并发布相关产品,但产品高度成熟、真正落地并且能够实现快速迭代的厂商较少。产品成熟度较高的公司有依图科技等。

胸部平片AI
640 
数字化X光成像(CR/DR)是医疗机构普及率最高的设备之一,基层医疗机构普遍都拥有该设备。尤其是DR,成像速度快、辐射剂量低、空间分辨率高且设备成本低,因此无论是常规体检,还是门诊疾病初步判断,或是入院查体,平片都是最常见用的影像学检查手段。其中胸部平片是检查量最大、应用最广泛的部位之一。

640?wx_fmt=png

目前国内外胸部平片AI产品功能主要集中在异常征象的检出。在2018年的北美放射学年会上参展的20家左右的医学影像AI公司有约一半展出了各自的产品。其中产品形态较为成熟的公司有EIRL公司(日本)、QURE公司(美国)、VUNO(韩国)、LUNIT(韩国)。但截止到目前为止还没有公司通过了FDA认证。国内进行胸部平片AI产品的研发机构不多,主要有深睿医疗、推想科技,视见科技等。

其他AI产品
640

对于其他的在医学影像上的应用,还有许多方向需要探讨。比如,糖网智能筛查已经取得了一定的进展,并且在国内外医院都进行了临床测试和应用。然而从AI技术和产品等方面,糖网智能筛查系统远没有成熟,需要科研人员、产品公司、临床医生等通力合作,才能打通业务流程,攻破技术壁垒,更好地为广大人民群众提供及时、高效、优质的医疗服务。还有一些医学病理的方向,也有一些公司例如DeepCare、视见科技等正在进行研究落地。此外对肾脏、肝脏、眼部和牙齿等部位影像的AI分析和研究也正在不断发展中。

写在最后
640 
在这篇文章中,我们对人工智能在当前医学影像行业中的诸多应用和产品进行了概述。在后续的文章中,我们会进一步对各个细分领域中的AI学术研究和工业应用进行更为详细的介绍。当医学影像遇上深度学习,人工智能医学影像辅助诊断系统能够更有效地提高医生诊断的效率和准确率。



长按二维码关注我们

640?wx_fmt=png

640
往期热门

点个 “在看”,支持「视说」原创

2018-05-03 17:00:02 baiboya 阅读数 999
  • 遥感影像深度学习样本制作

    本课程主要讲解遥感数据影像分类和目标检测的样本格式,通过结合遥感影像数据的特点和是否有对应的矢量数据,利用计算机视觉工具、PS、ArcGIS等软件制作遥感分类和目标检测深度学习的样本。

    22 人正在学习 去看看 郑新杰
NiftyNet 详细介绍

NiftyNet 是一个基于 TensorFlow 的开源卷积神经网络平台,用来研究医疗影像分析和影像导向的治疗。NiftyNet 有着模块化的架构设计,能够共享网络架构和预训练模型。使用该模块架构,你可以:

  • 使用内建工具,从建立好的预训练网络开始;

  • 根据自己的图像数据改造已有的网络;

  • 根据自己的图像分析问题快速构建新的解决方案。

特征

NiftyNet 现在支持医疗影像分割和生成式对抗网络。该开源平台并非面向临床使用,其他的特征包括:

  • 易于定制的网络组件接口;

  • 共享网络和预训练模块;

  • 支持 2D、2.5D、3D、4D 输入;

  • 支持多 GPU 的高效训练;

  • 多种先进网络的实现(HighRes3DNet、3D U-net、V-net、DeepMedic);

  • 对医疗影像分割的综合评估指标。

网址:https://pypi.org/project/NiftyNet/

没有更多推荐了,返回首页