首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    体素科技:2018年,算法驱动下的医学影像分析进展

    自 2012 年 AlexNet 挑战 ImageNet 获得巨大成功以来,用于图像领域的深度学习算法以令人目不暇接的速度飞速演化着。通用图像领域中,有明确边界的问题,例如特定类别有标注数据的物体检测、定位、识别,乃至特定场景的图像生成、一定精确度内的图像分割,都出现了令人更新认知的深度学习解答。 目前,站在深度学习研究一线的计算机视觉研究者们,有相当一部分深入到更细分的、与应用场景联系更紧密的任务中,同时扩展算法能够覆盖的数据类型。 2018 年,在医疗影像这个分支中,来自加州的人工智能医疗公司体素科技,结合自身产品线的开发路径,发表了多篇论文,论文探讨了如何利用深度学习算法临床决策支持:例如用端到端算法处理影像中分割问题、 配准问题,以及如何在标注数据有限,且迁移学习困难的情况下,利用代理监督和联合训练获得更好的模型效果。以下为论文介绍:

    04

    【专家痛陈AI医学影像三大难点】数据规模小、标注质量差、懂算法的不懂医疗

    【新智元导读】中金公司(CICC)此前发布的人工智能相关领域证券研究报告指出,数据获取、数据标注和跨学科人才积累已经成为医疗影像识别进一步推进的三个关键点。深睿医疗 CEO 乔昕更犀利地指出:“目前应用人工智能对某些症像的识别取得了进展, 但是此项技术不论在国内还是国外都还没有开始大规模的临床验证,甚至缺乏验证的技术和科学方法。 ”来自医学界的多位专家则表示,“来自临床的需求是医学影像发展的动力”、“医疗 AI 产品也是医疗产品,是医疗产品就要遵循临床指南和医学路径,不然就不会被医生接受”。 三大难点:数据

    06

    港科大褚晓文:医疗场景下的 AutoML ,模型参数量更小、分类准确率更高

    大数据文摘转载自AI科技评论 作者|黄楠 编辑|陈彩娴 探索 AI 和医学结合更多的可能性,是人工智能发展的一个重要命题。 AutoML 作为近年来备受瞩目的概念之一,被视为解决算法工程师来提高训练模型效率的一个工具,在工业、农业、零售等诸多场景中均有被使用。 而随着 AI 在医学影像分析、医疗决策、个人就诊助手等场景领域的广泛应用,AutoML凭借其智能化、自动化等特性,也引发了越来越多研究团队开始思考:如果将其放置在医学场景下,是否也能获得不错的结果? 褚晓文,香港科技大学(广州)数据科学与分析学域正教

    01

    港科大褚晓文:医疗场景下的 AutoML ,模型参数量更小、分类准确率更高

    作者|黄楠 编辑|陈彩娴 探索 AI 和医学结合更多的可能性,是人工智能发展的一个重要命题。 AutoML 作为近年来备受瞩目的概念之一,被视为解决算法工程师来提高训练模型效率的一个工具,在工业、农业、零售等诸多场景中均有被使用。 而随着 AI 在医学影像分析、医疗决策、个人就诊助手等场景领域的广泛应用,AutoML凭借其智能化、自动化等特性,也引发了越来越多研究团队开始思考:如果将其放置在医学场景下,是否也能获得不错的结果? 褚晓文,香港科技大学(广州)数据科学与分析学域正教授,由他所带领的团队也是这条探

    03

    【Research】Explore ChestX-ray Dataset

    肺部疾病是威胁现代人健康的重要疾病之一,如何使用快速且廉价的方法对肺病进行诊断是医学界的重要课题。 随着深度学习方法的兴起,世界各地越来越多的研究员在尝试用深度神经网络模型对医学图像进行分析、解释,获得可靠的诊断结果。 目前规模最大的肺部X光数据库ChestX-ray14 是由NIH研究院提供的,该数据库包含 14 种肺部疾病(肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气)的 10 多万张 X光前视图(约42G),研究人员对数据采用NLP方法对图像进行标注,1-14类分别对应14种肺部疾病,第15类表示未发现疾病。据称,该数据库标注准确率超过90%。

    04

    医学图像半监督分割Baselines

    近年来,CNN在医学图像分割领域取得了统治级的地位,nnUNet及其各种魔改版本几乎霸占了各大比赛的leaderboard,但大多医学图像分割任务一直因为标注数量太少而饱受诟病。目前大多研究集中于调整网络结构等方面(加各种attention,各种feature fusion),希望在有限的数据上拟合出更加性能强悍的模型,而较少的去利用未标注数据来训练更加鲁棒和泛化性更好的模型(在临床场景下海量的未标注原始数据被保留在数据中心中,医生没有时间和精力对其大规模标注,只有少量数据会被标注用于临床或算法研究)。如何缓解标注图像数量太少,未标注数量太多和有效利用未标注的原始数据等问题,已然成为了医学图像分割发展的主要矛盾。

    03
    领券