티스토리 뷰
빠르고 정확한 이미지 분할, 선택한 장기 (뇌, 신장, 전립선 및 척추)의 질병 예측 및 콘텐츠 기반과 같은 상위 수준 (다운 스트림) 애플리케이션을 고려하기 위해 MRI에서 딥 러닝의 하위 수준 애플리케이션을 그대로 둡니다. 이미지 검색, 일반적으로 재구성된 크기 이미지에 적용됩니다. 우리는 MR 물리학에 가까운 딥 러닝 응용 프로그램에 대한 개요를 집중하기로 선택했으며 다음 응용 프로그램이 매우 흥미롭고 임상 적으로 중요하더라도 현재 섹션에서 간략하게 설명하겠습니다. 이미지 분할 정량적 이미지 분석의 성배 인 이미지 분할은 이미지를 유사한 속성을 공유하는 여러 영역으로 분할하여 지역화 및 정량화를 가능하게 하는 프로세스입니다. 39 거의 50 년의 역사를 가지고 있으며 의료 영상에서 딥 러닝 접근 방식의 가장 큰 목표가 되었습니다. Vannier 등의 다중 스펙트럼 조직 분류 보고서. 1985 년 통계 패턴 인식 기술 (및 NASA의 위성 이미지 처리 소프트웨어)을 사용하여 의료 영상 분할에서 오늘날의 기계 학습으로 이어지는 가장 중요한 작업 중 하나를 나타냅니다. 이 초기 시대에 우리는 감독 및 비지도 기계 학습에 기여할 기회도 가졌습니다. MR 이미지 분할 및 조직 분류에 대한 접근 방식 인상적인 범위의 분할 방법 및 접근 방식이 보고되고 (특히 뇌 분할에 대해) 검토되었습니다. 딥 러닝 접근 방식 (일반적으로 CNN)을 사용하는 MR 이미지 분할은 이제 전체 애플리케이션 분야에 침투하고 있습니다. 예를 들어 DWI에서 급성 허혈성 병변 분할 뇌종양 분할 선조체의 분할 두경부 CT 영상에서 위험 기관 분할 다낭성 신장의 완전 자동 분할 전립선의 변형 가능한 분할 3D 멀티 스케일 CNN을 사용한 척추 분할. 보다 포괄적인 목록 은 참조하십시오. 진단 및 예측 뇌 이미지 분석을 위한 딥 러닝 기술을 사용한 2017 년까지의 논문 전체 목록은 Litjens at al에 나와 있습니다. 우리는 깊은 뇌, 신장, 전립선과 척추에 자신을 제한, MRI를 사용하여 학습 기관 별에 좀 더 최근의 작업을 추가할 수 있습니다. 콘텐츠 기반 이미지 검색 방사선과에서 CBIR (Content-Based Image Retrieval)의 목적은 의사 결정 과정에서 방사선 전문의를 지원하기 위해 주어진 이미지와 유사한 의료 사례를 제공하는 것입니다. 일반적으로 대규모 사례 데이터베이스, 영리한 이미지 표현 및 병변 주석, 사례 데이터베이스에서 가장 유사한 이미지와 해당 주석을 빠르고 안정적으로 일치시키고 검색할 수 있는 알고리즘이 포함됩니다. CBIR은 수년 동안 의료 영상 분야에서 활발한 연구 분야로 다양한 응용 분야, 영상 기법, 기관 및 방법 론적 접근 방식을 다루었습니다. 예를 들어 Microsoft, Apple, Facebook 및 Google (역 이미지 검색 40 ) 등과 같은 딥 러닝 기술을 사용하여 의료 분야 외부의 대규모로. 예를 들어 및 코드 저장소 참조하십시오. 의료 분야에서 CBIR에 대한 딥 러닝을 처음 적용한 것은 2015 년 Sklan et al. 1 백만 개 이상의 임의 MR 및 CT 이미지로 CBIR을 수행하도록 CNN을 훈련시켰으며 2100 개의 레이블이 지정된 이미지의 독립적인 테스트 세트에서 실망스러운 결과 (진정 율 20 %)를 얻었습니다. 그러나 이제 의료 CBIR은 학습 알고리즘 예를 들어, 주어진 이미지와 유사한 의료 사례를 검색하여 Pizarro et al. 은 여러 슬라이스의 이미지 강도를 기반으로 MRI 스캔의 대비를 자동으로 추론하기 위한 CNN을 개발했습니다. 최근에는 방사선 보고서의 자동화된 생성을 위해 딥 러닝 방법도 사용되었으며, 일반적으로 텍스트 문단을 생성하기 위해 장단기 기억 (LSTM) 네트워크 모델을 통합합니다. 또한 방사선과 보고서에서 발견된 사항을 식별하기 위해서다. 의료 영상을 위한 기계 학습의 개방 과학 및 재현 가능한 연구 기계 학습은 표준 피어 리뷰 프로세스가 따라잡기에는 너무 빠른 속도로 진행되고 있습니다. 지난 몇 년 동안 머신 러닝에서 가장 유명하고 영향력 있는 논문의 대부분은 사전 인쇄로만 제공되거나 결과가 잘 알려지고 다른 연구에 포함된 지 한참 후에 콘퍼런스 절차에 게시됩니다. 물론 피어 리뷰를 우회하는 데에는 몇 가지 단점이 있지만 연구원들이 코드와 데이터를 공유하려는 의지로 인해 다소 완화됩니다. 대부분의 새로운 주요 아이디어와 방법은 arXiv 사전 인쇄 서버, GitHub 플랫폼에서 공유되는 함께 제공되는 코드에 게시됩니다. 사용된 데이터 세트는 종종 다양한 저장소를 통해 공개적으로 사용 가능합니다. 이를 통해 많은 우수한 온라인 교육 리소스 외에도 현장에서 쉽게 시작할 수 있습니다. 공개적으로 사용 가능한 데이터, 사전 인쇄에 설명된 방법 및 GitHub에 업로드된 구현을 기반으로 흥미로운 문제를 선택합니다. 이것은 흥미로운 기계 학습 프로젝트를 위한 좋은 출발점이 됩니다. 현대 기계 학습 및 데이터 과학에 대한 또 다른 흥미로운 측면은 2012 년 이후 컴퓨터 비전을 위한 딥 러닝 발전의 주요 동인으로 매년 ImageNet ILSVRC 대회가 개최되는 대회의 보급입니다. 종종 최신 기술을 새로운 수준으로 끌어올립니다. 새로운 아이디어를 고무하는 것 외에도 대회는 현대 기계 학습에 자연스러운 진입 점을 제공합니다. 딥 러닝 기반 모델이 본질적으로 모든 이미지 기반 경쟁의 리더 보드를 완전히 지배하고 있다는 점은 흥미 롭습니다. 다른 기계 학습 모델 또는 기계 학습 기반이 아닌 기술은 대체로 능가했습니다. 일반적으로 기계 학습의 개방성에 대한 사실은 의료 이미지 분석을 위한 기계 학습의 하위 분야에서도 점점 더 사실입니다. 공개적으로 사용 가능한 구현, 데이터 세트 및 과제의 몇 가지 예를 나열했습니다.