深度学习能自动从大样本数据中学习获得优良的特征表达,有效提升各种机器学习任务的性能,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域。基于深度学习的医学影像智能计算是目前智慧医疗领域的研究热点,其中深度学习方法已经应用于医学影像处理、分析的全流程。由于医学影像内在的特殊性、复杂性,特别是考虑到医学影像领域普遍存在的小样本问题,相关学习任务和应用场景对深度学习方法提出了新要求。本文以临床常用的X射线、超声、计算机断层扫描和磁共振等4种影像为例,对深度学习在医学影像中的应用现状进行综述, 特别面向图像重建、病灶检测、图像分割、图像配准和计算机辅助诊断这5大任务的主要深度学习方法的进展进行介绍,并对发展趋势进行展望。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?edit_id=20200923131243001&flag=2&file_no=202006020000002&journal_id=jig

成为VIP会员查看完整内容
0
33

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances

人脸识别是计算机视觉领域中最基本、最长期存在的研究课题之一。随着深度卷积神经网络和大规模数据集的发展,深度人脸识别取得了显著的进展,并在实际应用中得到了广泛的应用。以自然图像或视频帧作为输入,端到端深度人脸识别系统输出人脸特征进行识别。为了实现这一目标,整个系统通常由三个关键要素构建:人脸检测、人脸预处理和人脸表示。人脸检测在图像或帧中定位人脸。然后,对人脸进行预处理,将人脸标定为标准视图,并将其裁剪为标准化像素大小。最后,在人脸表示阶段,从预处理后的人脸中提取识别特征进行识别。深度卷积神经网络满足了这三个要素。摘要随着深度学习技术的蓬勃发展,端到端深度人脸识别技术的能力得到了极大的提高,本文对端到端深度人脸识别技术中各个方面的最新进展进行了综述。首先,我们介绍端到端深度人脸识别的概述,如前所述,它包括人脸检测、人脸预处理和人脸表示。然后,我们分别回顾了基于深度学习的每个元素的进展,包括许多方面,如最新的算法设计、评估指标、数据集、性能比较、存在的挑战和未来的研究方向。我们希望这一调查可以为我们更好地理解端到端人脸识别的大图和更系统的探索带来有益的想法。

https://arxiv.org/abs/2009.13290

成为VIP会员查看完整内容
0
31

行人跟踪是计算机视觉领域中研究的热点和难点, 通过对视频资料中行人的跟踪, 可以提取出行人的运 动轨迹, 进而分析个体或群体的行为规律. 本文首先对行人跟踪与行人检测问题之间的差别进行了阐述, 其 次从传统跟踪算法和基于深度学习的跟踪算法两个方面分别综述了相关算法与技术, 并对经典的行人动力 学模型进行了介绍, 最终对行人跟踪在智能监控、拥堵人群分析、异常行为检测等场景的应用进行了系统讲 解. 在深度学习浪潮席卷计算机视觉领域的背景下, 行人跟踪领域的研究取得了飞跃式发展, 随着深度学习 算法在计算机视觉领域的应用日益成熟, 利用这一工具提取和量化个体和群体的行为模式, 进而对大规模人 群行为开展精确、实时的分析成为了该领域的发展趋势.

http://www.homexinlu.com/files/2020-Pedestrian%20tracking.pdf

成为VIP会员查看完整内容
0
9

随着图像处理,语音识别等人工智能技术的发展,很多学习方法尤其是采用深度学习框架的方法取得了优异的性能,在精度和速度方面有了很大的提升,但随之带来的问题也很明显,这些学习方法如果要获得稳定的学习效果,往往需要使用数量庞大的标注数据进行充分训练,否则就会出现欠拟合的情况而导致学习性能的下降。因此,随着任务复杂程度和数据规模的增加,对人工标注数据的数量和质量也提出了更高的要求,造成了标注成本和难度的增大。同时,单一任务的独立学习往往忽略了来自其他任务的经验信息,致使训练冗余重复因而导致了学习资源的浪费,也限制了其性能的提升。为了缓解这些问题,属于迁移学习范畴的多任务学习方法逐渐引起了研究者的重视。与单任务学习只使用单个任务的样本信息不同,多任务学习假设不同任务数据分布之间存在一定的相似性,在此基础上通过共同训练和优化建立任务之间的联系。这种训练模式充分促进任务之间的信息交换并达到了相互学习的目的,尤其是在各自任务样本容量有限的条件下,各个任务可以从其它任务获得一定的启发,借助于学习过程中的信息迁移能间接利用其它任务的数据,从而缓解了对大量标注数据的依赖,也达到了提升各自任务学习性能的目的。在此背景之下,本文首先介绍了相关任务的概念,并按照功能的不同对相关任务的类型进行划分后再对它们的特点进行逐一描述。然后,本文按照数据处理模式和任务关系建模过程的不同将当前的主流算法划分为两大类:结构化多任务学习算法和深度多任务学习算法。其中,结构化多任务学习算法采用线性模型,可以直接针对数据进行结构假设并且使用原有标注特征表述任务关系,同时,又可根据学习对象的不同将其细分为基于任务层面和基于特征层面两种不同结构,每种结构有判别式方法和生成式方法两种实现手段。与结构化多任务学习算法的建模过程不同,深度多任务学习算法利用经过多层特征抽象后的深层次信息进行任务关系描述,通过处理特定网络层中的参数达到信息共享的目的。紧接着,以两大类算法作为主线,本文详细分析了不同建模方法中对任务关系的结构假设、实现途径、各自的优缺点以及方法之间的联系。最后,本文总结了任务之间相似性及其紧密程度的判别依据,并且分析了多任务作用机制的有效性和内在成因,从归纳偏置和动态求解等角度阐述了多任务信息迁移的特点。 http://gb.oversea.cnki.net/KCMS/detail/detail.aspx?filename=JSJX20190417000&dbcode=CJFD&dbname=CAPJ2019

成为VIP会员查看完整内容
0
81

【导读】一些独特的医学成像视角,如前沿的成像方法、数据分析、与神经认知功能更好的相关性,以及疾病监测的详细示例和总结,可能有助于传达医学成像原理和应用的方法学、技术和发展信息。这本书的目的是为初学者和医学成像领域的专家提供一般的图像和详细的描述成像原理和临床应用。具有最前沿的应用和最新的分析方法,这本书将有望获取医疗成像研究领域的同事的兴趣。精确的插图和彻底的审查,在许多研究课题,如神经成像定量和相关性,以及癌症诊断,是这本书的优势。

  1. 结构和功能连接的纵向变化以及与神经认知指标的相关性 (Longitudinal Changes of Structural and Functional Connectivity and Correlations with Neurocognitive Metrics)By Yongxia Zhou

考虑到许多与年龄相关的风险,包括血管和神经炎症的增加,以及可能混淆基准功能磁共振参数图像,在相对较短的时间内揭示个体水平上的脑功能和微观结构变化尤其重要。细胞水平的轴索损伤和/或脱髓鞘以及弥散的中观水平物质异常聚集和结构/功能异常可在短的亚急性/急性期发生,而与年龄纵向变化相关的文献仅局限于我们以前的fMRI发现。纵向数据用来描述这些多参数,包括随机截距和个体间隔。性别交互作用对DTI分数各向异性(FA)和扩散系数均无显著影响。区间有效区域表现出FA的纵向变化,径向扩散系数(RD)/轴向扩散系数(AX)值与截面数据的老化结果相似。在DTI和fMRI指标之间,以及成像和神经认知数据(包括速度和记忆力)之间,发现了显著的相关性。我们的结果表明,年龄、性别和载脂蛋白E (APOE)基因型对结构和功能连接在短间隔和横断面范围内的显著和一致的影响,以及相关的神经认知功能。

https://www.intechopen.com/books/medical-imaging-principles-and-applications/longitudinal-changes-of-structural-and-functional-connectivity-and-correlations-with-neurocognitive-

  1. 功能磁共振成像在神经性疼痛中的应用 The Application of Functional Magnetic Resonance Imaging in Neuropathic Pain By Zhi Dou and Liqiang Yang

在过去,神经性疼痛一直缺乏理想的影像学研究方法,这不仅限制了我们对神经性疼痛发病机制的研究,而且严重影响了治疗的预后。近年来,随着fMRI技术的飞速发展,越来越多的学者开始将fMRI技术应用于神经性疼痛的研究。这为揭示神经性疼痛的内在机制和改进临床治疗理念提供了新的思路。在这一章中,我们对fMRI在神经性疼痛中的最新研究进行了综述,以便读者更好的了解研究现状和未来的研究方向。

https://www.intechopen.com/books/medical-imaging-principles-and-applications/the-application-of-functional-magnetic-resonance-imaging-in-neuropathic-pain

  1. 电离辐射与物质的相互作用,x射线计算机断层成像,核医学SPECT, PET和PET- ct断层成像 The Ionizing Radiation Interaction with Matter, the X-ray Computed Tomography Imaging, the Nuclear Medicine SPECT, PET and PET-CT Tomography Imaging By Evangelos Gazis

描述了重带电粒子、电子和光子与物质的电离辐射相互作用的机理。这些影响造成能量损失的辐射与吸收或衰减的顺序效应提出。介绍了几种具有相关电子学和数据采集系统(DAQ)的特征检测系统的特点。这些探测器与医学成像传感器系统有关。介绍了单光子计算机断层扫描(SPECT)、正子断层扫描(PET)和PET- ct联合成像在医学成像过程中的特点。计算机x射线断层摄影,称为CT,和核医学断层摄影被提出,实现了大部分以前的部分,因为他们被定义为PET和SPECT成像加上PET与CT的结合PET-CT。

https://www.intechopen.com/books/medical-imaging-principles-and-applications/the-ionizing-radiation-interaction-with-matter-the-x-ray-computed-tomography-imaging-the-nuclear-med

  1. PET-CT的原理及其在肺癌治疗中的应用 PET-CT Principles and Applications in Lung Cancer Management By Long Chen, Hua Sun and Yunchao Huang

肺癌是世界上最常见的恶性肿瘤;正电子发射断层扫描(PET-CT)结合了来自PET的新陈代谢信息和来自CT的解剖学细节,这是目前最先进的技术。本文介绍了PET-CT及其在肺癌诊断、分期和治疗中的应用。从肺癌的临床特点、分型、分级、病理、PET-CT的原则、诊断和治疗的评价等方面进行了综述。详细说明了每种癌症亚型、分期标准和分类。内容将有利于临床医生以及放射科医生。

https://www.intechopen.com/books/medical-imaging-principles-and-applications/pet-ct-principles-and-applications-in-lung-cancer-management

  1. 医学影像处理技术的研究 Research in Medical Imaging Using Image Processing Techniques By Yousif Mohamed Y. Abdallah and Tariq Alqahtani

医学成像是为了识别或研究疾病而获取身体部位的医学图像的过程。全世界每周都有数百万的成像过程。由于图像处理技术的发展,包括图像识别、分析和增强,医学影像正在迅速发展。图像处理增加了检测组织的百分比和数量。本章介绍了简单和复杂的图像分析技术在医学成像领域的应用。本章还总结了如何使用不同的图像处理算法(如k-means、基于roi的分割和分水岭技术)来举例说明图像解释的挑战。

https://www.intechopen.com/books/medical-imaging-principles-and-applications/research-in-medical-imaging-using-image-processing-techniques

成为VIP会员查看完整内容
0
56

主题: DeepHealth: Deep Learning for Health Informatics

简介: 机器学习和深度学习已成为一种新趋势,开启了一个全新的研究时代。事实上,深度学习也已经被运用到了各个领域,在健康卫生学领域对于人工智能的需求正快速增加,并且在医疗健康领域人工智能应用的潜在好处也已经被证明。 深度学习在卫生信息学领域有许多优点,它可以在没有先验的情况下进行训练,这有利于克服缺乏标记数据而导致的训练问题,并可以缓解临床医生的负担。例如,将深度学习用于医学图像,可以处理数据复杂性,检测重叠的目标点和3维或4维医学图像。 出于对深度学习在医疗健康领域的信心和期望,最近这一领域的论文数量增加的非常迅速,至少采用了一套基础的EHR系统的医院的数量也在井喷式的增加。然而,将深度学习应用于卫生信息学仍旧有一些挑战急待解决(如数据的信息性,缺乏标记数据,数据的可信度和完整性,模型的可解释性和可靠性等)。

成为VIP会员查看完整内容
0
27
小贴士
相关资讯
VALSE Webinar 19-22期 医学影像处理与分析
VALSE
6+阅读 · 2019年8月30日
最全综述 | 医学图像处理
计算机视觉life
23+阅读 · 2019年6月15日
深度学习与医学图像分析
人工智能前沿讲习班
18+阅读 · 2019年6月8日
为什么医学影像AI已进入「后深度学习时代」?
深度学习在推荐系统中的应用综述(最全)
七月在线实验室
8+阅读 · 2018年5月5日
中科院赵地:深度学习在 4 大超声影像中的应用
AI掘金志
3+阅读 · 2017年12月17日
【回顾】医学影像计算与分析
AI研习社
3+阅读 · 2017年11月5日
相关论文
Andreas D. Christoffersen,Jesper Møller,Heidi S. Christensen
0+阅读 · 11月24日
Muhammad Hassan,Yan Wang,Di Wang,Daixi Li,Yanchun Liang,You Zhou,Dong Xu
0+阅读 · 11月23日
Veronika Cheplygina,Adria Perez-Rovira,Wieying Kuo,Harm A. W. M. Tiddens,Marleen de Bruijne
0+阅读 · 11月20日
Theekshana Dissanayake,Tharindu Fernando,Simon Denman,Sridha Sridharan,Clinton Fookes
0+阅读 · 11月18日
Tanveer Syeda-Mahmood,Ph. D,K. C. L Wong,Ph. D,Joy T. Wu,M. D.,M. P. H,Ashutosh Jadhav,Ph. D,Orest Boyko,M. D. Ph. D
0+阅读 · 11月18日
A Survey on Explainable Artificial Intelligence (XAI): Towards Medical XAI
Erico Tjoa,Cuntai Guan
3+阅读 · 2019年10月15日
The challenge of realistic music generation: modelling raw audio at scale
Sander Dieleman,Aäron van den Oord,Karen Simonyan
3+阅读 · 2018年6月26日
Soumya Wadhwa,Khyathi Raghavi Chandu,Eric Nyberg
6+阅读 · 2018年6月18日
Lingxiao He,Jian Liang,Haiqing Li,Zhenan Sun
9+阅读 · 2018年1月3日
Top