本帖最后由 Zhao_kar 于 2024-4-2 23:26 编辑
《深度学习与医学图像处理》阅读分享一
感谢本次eeworld提供的阅读机会，本人属于大概了解过有深度学习这么一个东西，但是没有系统学习过，同时图像处理是我目前在学习的一部分内容，但是同样的，我从来没有接触过医学图像处理，还是想学习一下这方面的知识，比如本书里面提到的常见的影响格式DICOM，就是我不了解的内容，所以之后会分享学习记录。
同时本节为第一章的内容，按照计划和实际读起来，这一章更多的是一个引入和一些基础概念的学习，这里附上我个人的心得和记录
一、人工智能概述+机器学习+深度学习
首先是机器学习概念的引入，机器学习算法分为监督学习、非监督学习和强化学习三种
在监督学习中，是具有输入与输出的，即我们通过算法，把数据输入放入合适的函数模型，将其与数据输出对应起来，以实现机器学习的过程
在非监督学习中，只有输入，没有输出，其主要目的为寻找数据的潜在结构信息，类似人类，我们就是通过观察去发现原理和规律，并不是直接被告知规律的。
而强化学习，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略，达成特定目标的问题，
这里我不知道这个智能体是个什么东西，还去查了一些资料，这里附上一个比较通俗的解释
强化学习中两个核心的概念就是：「智能体」agent和「环境」environment。环境表示智能体生存以及交互的世界。每一次交互时，智能体会观察到世界当前所处「状态」state的「观测值」observation，然后决定采取什么「动作」action。环境会随着智能体的动作而发生变化，当然环境自身也可能一直处于变化中。
本节中有一句话我不太理解，这里放出
“机器学习开发的算法使得计算机无须显式编程就能从现有数据中进行学习”，这里的显式编程，我查了资料后，个人的理解为：
这里结合例子理解，在常规的算法时，一般我们通过确定的函数等等去规定计算过程，机器只负责执行这个过程，也就是机器不会思考，比如区分苹果和梨，一个红色一个黄色，如果机器在识别的时候，你只要根据人为计算的规律，并且告诉他，红色的是苹果，黄色的是梨，那么机器就会执行你的过程，去进行分类，但是实际上区分的这个过程绝对不会这么理想，上述这种就是显式编程，即为自定义规则去计算。但是在机器学习中，他不需要这个，这样子就可以理解书中的这句话了。
然后深度学习是机器学习的一个分支，是一种使用包含复杂结构或者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算法。
目前深度学习框架有如下：卷积神经网络、深度置信网络、递归神经网络等
应用在：计算机视觉图像、音频语音识别、自然语言处理、生物信息学领域
二、人工智能在医学的应用
1、优化医院管理和医学教育：如构造在患者床位轮转方面的预测模型，制定更优决策，以及物资调配方面
2、辅助医学诊断：比如ct图像识别肺结节，超声图像的诊断
3、实现疾病预测：如通过fMRI识别大脑中与阿尔茨海默病识别发病相关的区域，进行预测。
三、医学图像方面的应用
1、医学图像采集与重建：目前已用于计算机断层图像：CT，可实现低分辨率到高分辨率的重建，比如不同场强下的MR图像，一个3T，一个7T，可以将3T转换为7T的MR图像。
（这里解释一下这个T是啥意思：T代表的是tesla，就是场强的大小，场强越大，信噪比SNR越高，T越大通常意味着可以提供更高的分辨率，但是也会带来缺陷，因为随着场强的增加，氢核会以更高的频率共振，所以超高场磁共振必须使用更短的波长，从而使用更高能量的无线电脉冲来使质子摆动。人体组织也会从这些波中吸收更多的能量。）
2、医学图像变换
3、基于医学图像的病灶区域检测与分割
4、基于医学的智能诊断
后续会根据实际学习记录进行更新，个人大概看下来，感觉书中真的有很多医学的知识，对我来说是完全没见过，希望后续的学习能按照计划推进
提升卡
变色卡
千斤顶
1/8 
京公网安备 11010802033920号
Copyright © 2005-2025 EEWORLD.com.cn, Inc. All rights reserved
