單擊此處編輯母版標題樣式,單擊此處編輯母版文本樣式,第二級,第三級,第四級,第五級,*,*,深度學習人工智能在醫(yī)療圖像處理中的應用,深度學習人工智能在醫(yī)療圖像處理中的應用,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),近年來在很多領域取得了突破,從,2016,年起在醫(yī)療圖像領域也取得一系列突破,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,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http:/ 2012,突破時刻 ImageNet 2012,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%,）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,本人在,MIT,博士后期間（,2007,）開始將深度學習應用到生物圖像上,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,and H.S.Seung.,Supervised Learning of Image Restoration with Convolutional Networks.,Proceedings:IEEE 11th International,Conference on Computer Vision(ICCV),(2007).,視網(wǎng)膜神經(jīng)元的分類,Sumbul U&,Song S&,McCulloch K,Becker M,Lin B,Sanes JR,Masland R,Seung SH*.(2014)A genetic and,computational approach to structurally classify neuronal types.,Nature Communications,5:3512(co-first author),本人在MIT博士后期間（2007）開始將深度學習應用到生物圖,The fundamental plan of the retina,Photoreceptors:,Horizontal:,Bipolar:,Bipolar:,Amacrine:,Ganglion:,Reference:,Masland,R.H.(2001).The fundamental plan of the retina.,Nat Neurosci,4(9):877-886.,The fundamental plan of the re,深度學習人工智能在醫(yī)療圖像處理中的應用課件,為,什么困,難,？,錯誤的斷開,錯誤的融合,需要先驗知識,.,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,用機器學習方法來重構(gòu)神經(jīng)元+Train,卷積神經(jīng)網(wǎng)絡,端到端訓練,Hand Designed Filters versus End to End Learning,卷積神經(jīng)網(wǎng)絡 端到端訓練 Hand Designed Fil,分兩步走,分兩步走,如何標注圖像很重要,How to Generate Training Labels,morphology,如何標注圖像很重要 How to Generate Trai,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),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,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,Qian Wang,Jiaxing Zhang,Sen Song,Zheng Zhang,Attentional Neural Network:Feature Selection Using Cognitive Feedback NIPS 2014,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。

本實驗室2014年提出注意力神經(jīng)元網(wǎng)絡 基于生物神經(jīng)元樹突的,Data Science Bowl 2017,?,$1 M prize,?,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,運用相關技術(shù),獲得了世界第一的成績,Data Science Bowl 2017?$1 M,根據(jù),CT,圖像預測一年后發(fā)病概率,根據(jù)CT 圖像預測一年后發(fā)病概率,Nodule Detector Net(N-Net),3D cube,24,32,64,64,64,128,128,64,5*K,3D output,32,64,16,8,64,R,R,32,32,64,32,16,128,128,32,64,32,32,Nodule Detector Net(N-Ne,Case Classification Net(C-Net),Top 5 proposals+dummy nodule,128,99.97%,P,1,=69.06%,32,128,N-Net,97.36%,P,2,=65.22%,32,128,86.48%,P,3,=69.69%,32,128,71.84%,P,4,=2.08%,32,128,69.65%,P,5,=5.97%,32,P,d,=0.97%,Case Classification Net(C-Net,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，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,對未來的展望,1,小數(shù)據(jù)問題,減少對標注的依賴，讓相關算法自適應性更強,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,對未來的展望 1小數(shù)據(jù)問題 減少對標注的依賴，讓相關算法自,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24,1 小樣本問題 -學習去學習 減少對標注的依賴 對醫(yī)療,可解釋的機器學習,-,深度學習到底學了什么？,25,2,可解釋的機器學習-深度學習到底學了什么？,2,可解釋的機器學習,既有直覺又有推理的完整系統(tǒng),26,2 可解釋的機器學習 既有直覺又有推理的完整系統(tǒng) 26,3,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/AHA,指南與隨機森林，邏輯回歸，梯度增強和神經(jīng)網(wǎng)絡這四種機器學習,算法的應用,。

所有四種技術(shù)都在沒有人為指導的情況下通過分析大量數(shù)據(jù)形成了預測工具這一研究中的數(shù)據(jù)來自英國,378256,名患者的電子病歷其目標是在心血管疾病相關數(shù)據(jù)中找出模式3 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,Thank you,！,謝謝,匯報完畢,Thank you！謝謝 匯報完畢,。