医学影像是指为了医疗或医学研究,对人体或人体某部分,以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向:医学成像系统(medical imaging system)和医学图像处理(medical image processing)。前者是指图像行成的过程,包括对成像机理、成像设备、成像系统分析等问题的研究;后者是指对已经获得的图像作进一步的处理,其目的是或者是使原来不够清晰的图像复原,或者是为了突出图像中的某些特征信息,或者是对图像做模式分类等等。

VIP内容

医学社区的长期目标是高效和智能地呈现和分析医学图像。一方面,这意味着要找到有效的方法来获取高质量的医疗图像,以便医疗保健提供者能够随时使用。另一方面,它意味着发现智能的方式来解释医学图像,以促进医疗保健的交付。为此,研究人员和医学专业人员通常寻求使用计算机系统,这些系统通过机器学习技术来处理医学图像。应用机器学习的一个关键步骤是获得能很好地描述医学图像的信息表示。通常,这是通过手动特征工程来完成的,然而这需要相当多的医学领域的专业知识。一种可能的解决方法是允许模型从原始数据中自动发现关于目标域的潜在表示。为此,本文将重点放在深度学习上,深度学习只是更广泛的机器学习家族的一个子集,但最近已经取得了前所未有的进展,在发现高维数据的复杂结构方面显示出令人难以置信的能力。对于许多计算机视觉任务,深度学习方法已经取得了最先进的性能,以显著的优势。本文开发了用于医学图像分析、重建和合成的深度学习模型和技术。在医学图像分析中,我们注重对医学图像内容的理解和对执业医师的指导。特别是,我们研究了深度学习的方法来解决分类,检测,分割和配准医学图像。在医学图像重建和合成中,我们提出利用深度学习的方法内在地学习医学数据空间,有效地合成真实的医学图像。对于重建,我们的目标是生成高质量的医学图像和较少的伪影。对于合成,我们的目标是生成真实的医学图像,以帮助学习医学图像分析或重建模型。这篇论文的贡献有三方面。首先,我们提出了利用深度学习解决医学问题的各种方法。其次,我们展示了医学知识融合在深度学习架构设计中的重要性和有效性。第三,我们展示了深度生成模型在解决医学图像重建和合成问题的潜力。

https://urresearch.rochester.edu/institutionalPublicationPublicView.action;jsessionid=21A6F9E774F11BA763CA4DD982F79D65?institutionalItemId=35226

成为VIP会员查看完整内容
0
28
Top