机器学习在放射学中的应用及其未来影响-医学课件.doc

go 机器学习在放射学中的应用及其未来影响 Abstract：机器学习技术的最新进展和未来前景在医学成像中提供了有前途的应用。机器学习具有改善放射工作流中各个步骤效果的潜力，包括订单调度和分诊、临床决策支持系统、结果及其解释、后处理和剂量估算、检查质量控制、放射学报告。在本文中，作者回顾了机器学习和人工智能技术在诊断放射学中的应用实例。此外，针对这些技术在放射学中的未来影响和自然延伸进行了讨论。 1、机器学习的最新进展为包括医学影像学在内的工业和应用提供了希望。在数据科学的创新中，机器学习是一类使计算机能够像人类一样学习和提取或分类模式的技术和研究，机器可以进一步分析更多的数据集，并从人类可能无法做到的数据中提取特征。机器学习最近的研究和发展方向是，在现在和未来将其用于诊断成像。在这篇综述中，首先介绍机器学习的“广义”和“狭义”定义，然后介绍如何将机器学习应用于成像解释并使其得到发展。第二，我们将提供机器学习在诊断放射学中的应用实例。第三，我们将讨论机器学习技术在临床应用中的主要障碍和挑战。最后，我们将讨论机器学习在放射学和除了放射学以外的其他医学领域中未来的发展方向。 2、（1）机器学习的定义：机器学习是一种使电脑具备学习能力却又不依赖于直接的编码规则的数据科学方法。机器学习可以创建能够进行学习和预测的算法。与基于规则的算法相比，机器学习利用了对大数据集和新数据集的增加的曝光，并具有根据经验进行改进和学习的能力。 （2）机器学习策略：根据任务的不同，机器学习通常分为三大类：监督、无监督和强化学习。 3、在监督学习过程中，需要将数据标签提供给训练集（在训练过程中有监督），预期输出通常先由使用者提供数据标签，作为算法的真实答案（类似金标准）。算法的目标通常是使机器学习将输入映射到输出的一般规则（即让机器学会传递函数）。算法的目标通常是学习将输入映射到输出的一般规则。在机器学习中，地面真理指的是假定为真的数据。在无监督学习中，不给学习算法提供数据标签。机器学习任务的目标是在数据中找到隐藏的结构，并将数据分离成簇或组。在强化学习中，计算机程序在动态环境中执行特定任务，与此同时，计算机接受正和负强化（如与对手玩游戏）的反馈。强化学习是指，在没有明确的规则指导下，机器通过自身与环境的交互结果进行自我学习和提升。监督和unsupervised examples of学习技术是提供在图2。机器学习范式可以使用合成的监督和unsupervised方法与增强反馈环。有监督和无监督学习技术的实例如图2所示。一种机器学习模式也可以同时使用有监督反馈和无监督方法的与增强反馈回路的组合。（/by4_Luminous/article/details 人工神经网络 4、人工神经网络是机器学习中的重要应用，是一种统计和数学的方法。该网络是在生物神经系统处理大量信息的方式的基础上发展起来的，网络中有大量高度互连的处理元件，称为互连处理元件，称为神经元、结点或细胞。一个人工神经网络的结构包括：一个输入层，一个或者多个“隐层”，以及一个输出层。每一个隐层由一套神经元组成，其中的每一个神经元都与前一层的所有神经元相连接。每个连接用加权值来量化。为了使网络产生正确的输出（例如，对图像的检测结果进行正确的检测和分类），需要通过输入训练集对网络进行训练，给每一个神经元之间的连接一个恰当的权重。人工神经网络中的学习可以是监督的、部分监督的或者完全无监督的。 深度学习和卷积神经网络 5、深度学习（也称为深度结构化学习、分层学习或深度机器学习）是人工神经网络算法的一个子集，它包含不止一个隐层（通常更多，因此是“深”）。换言之，深度学习算法是基于一种试图在数据中提取更高级抽象的特征进行学习的算法。机器学习的一个典型应用是图像目标识别。可在网上获得具有深度学习的目标识别的例子以及神经网络中的不同层次的分析细节。 6、深度学习模型可以被归类为典型的（或正常的）网络，其采取向量形式（一维）输入（例如：非结构化输入）或卷积神经网络（CNNS），其采取二维或三维形状输入（即结构化输入）。考虑到图像中相邻像素或体素之间的结构信息，CNNs医学图像分析中得到了极大的关注（成为研究热点），特别是对图像的特征提取。 7、卷积是一种在信号或滤波信号中寻找模式的数学运算。卷积神经网络由一个输入、输出层和多个隐层构成，这些隐层（卷积）对输入进行滤波从而获得有用的信息。卷积神经网络的隐层通常由卷积层、池化层、完全连接层和归一化层组成。 8、CNNs的主要参与者是卷积层，它由被称为核的过滤元件组成。池化层（或降采样）用于减少空间维度，进而改善计算性能，同时也减少了过度匹配的机会。CNNs（图4）是目前医学成像中最常用的机器学习技术。 迁移学习 9、迁移学习是一种把处理先前任务获取的知识