《深度学习与医学图像处理》医学图像配准、模型优化、迁移学习
本帖最后由 MioChan 于 2024-5-11 18:46 编辑<p>本书最后的几章因为内容比较少，其实上个月就一起看完了，简单写一写吧。</p>
<p>第8章介绍了医学图像配准的相关内容。首先图像配准对于我来说是一个比较陌生领域，自己的研究方向基本接触不到这个，按我的理解就是，患者在拍摄医学影像的时候，两次成像之间肯定不能保证拍的都是完全一样的位置，因此就需要把不同时刻拍摄的图像对齐以便进行进一步的分析和处理。本章从基础知识开始，深入讨论了特征空间、搜索空间、相似性度量、搜索策略和质量评价等方面的内容。随后，介绍了深度学习图像配准方法，包括有监督学习和无监督学习两种方式。通过实战案例展示了VoxelMorph模型的应用和实现过程。</p>
<p> </p>
<p>第9章主要讨论了模型优化的相关内容，包括模型剪枝、模型量化和TensorRT等技术。本章从模型剪枝的概念、策略和敏感性分析入手，详细介绍了模型剪枝的原理和应用场景。接着，讨论了模型量化技术以及TensorRT在模型优化中的作用和原理。通过一个实战案例，展示了如何对颅内出血CT影像分类模型进行量化优化。模型优化其实在现在的深度学习案例中很常见，比如最近很热门的LLM大语言模型，参数量都是几十B，如果不优化的话对于大部分游戏显卡的显存都很难运行，还有就是训练好的模型要部署在flash很有限的嵌入式设备上，都需要对模型量化减少权重的数据大小。</p>
<p> </p>
<p>第10章介绍了迁移学习和终身学习的概念以及在医学图像处理中的应用，通过实战案例展示了如何利用迁移学习和终身学习来优化处理数据失衡的颅内影像出血检测问题。迁移学习在深度学习中也是很常用的，例如像是LLM通常是在大规模语料库上进行预训练的以便模型能够学习丰富的语言知识和语言模式，而迁移学习则可以将这些预训练的模型应用到特定任务中，比如要实现医学领域的LLM，我们就可以在用一些医学相关的语料使用迁移学习的方法继续训练模型，从而提高面对特定任务的性能和效果。</p>
<p> </p>
<p>最后稍微评价一下这本书，总的来说，本书基本上涵盖了深度学习的各个方面，虽然介绍的不深入但作为一种入门学习的读物来说也是完全足够的，可以学习到深度学习不同的细分领域中常用的方法及其原理，也让我对深度学习在医学领域的应用情况有了一定的认识。唯一一点不足之处，真的希望这类涉及到代码的书能直接把源码放在github之类的平台上，而不是非要关注公众号才能获取，下载起来是真的麻烦。</p>
页:
[1]