티스토리 뷰
최근 머신 러닝에서 어떤 일이 일어났으며 의료 영상 분석의 미래에 어떤 의미가 있습니까? 기계 학습은 지난 몇 년 동안 엄청난 관심을 보였습니다. 현재의 붐은 이른바 심층 인공 신경망 이 여러 가지 중요한 벤치 마크에서 기존 모델을 능가하기 시작한 2009 년경에 시작되었습니다. 심층 신경망 은 이제 이미지 분석에서 자연어 처리에 이르기까지 다양한 영역에서 최첨단 기계 학습 모델입니다., 학계 및 산업계에 널리 배포됩니다. 이러한 발전은 의료 영상 기술, 의료 데이터 분석, 의료 진단 및 의료 전반에 대한 엄청난 잠재력을 가지고 있으며 천천히 실현되고 있습니다. 우리는 의료 영상 처리 및 영상 분석에 적용되는 기계 학습의 최근 발전 및 관련 과제에 대한 간략한 개요를 제공합니다. 이것이 매우 광범위하고 빠르게 확장되는 분야가 되었기 때문에 우리는 전체 응용 분야를 조사하지 않고 MRI의 딥 러닝에 특히 중점을 둘 것입니다. 우리의 목표는 세 가지입니다. (i) 핵심 참조에 대한 포인터와 함께 딥 러닝에 대한 간략한 소개를 제공합니다. (ii) 획득에서 이미지 검색, 분할에서 질병 예측에 이르기까지 전체 MRI 처리 체인에 딥 러닝이 어떻게 적용되었는지 표시합니다. (iii) 좋은 교육 리소스, 최신 오픈 소스 코드, 흥미로운 데이터 및 문제 소스를 지적하여 의료 영상을 위한 딥 러닝 분야에 대한 실험 및 기여에 관심이 있는 사람들에게 출발점을 제공합니다. 관련 의료 영상. 기계 학습은 최근 몇 가지 극적인 발전을 보이며 산업, 학계 및 대중문화에서 많은 관심을 불러일으켰습니다. 이는 컴퓨터가 대규모 데이터 세트에서 복잡한 패턴을 발견할 수 있게 해주는 일련의 기술 및 알고리즘 인 딥 러닝 이라고도 하는 인공 신경망의 획기적인 발전에 의해 주도됩니다. 혁신의 원동력은 데이터 ( "빅 데이터")에 대한 액세스 증가, 사용자 친화적인 소프트웨어 프레임 워크, 사용 가능한 컴퓨팅 성능의 폭발로 인해 그 어느 때보 다 더 깊은 신경망을 사용할 수 있게 합니다. 오늘날 이러한 모델은 컴퓨터 비전 , 언어 모델링 및 로봇 공학의 다양한 문제에 대한 최첨단 접근 방식을 형성합니다. 딥 러닝은 신경망이 여러 하이 프로파일 이미지 분석 벤치 마크에서 다른 방법을 능가하기 시작했을 때 컴퓨터 비전에서 눈에 띄는 위치에 올랐습니다. 심층 학습 모델 ( 컨볼 루션 신경망 )이 이미지 분류 작업에서 두 번째로 높은 오류율을 절반으로 줄인 2012 년 ImageNet 대규모 시각 인식 도전 (ILSVRC)에서 가장 유명합니다. 컴퓨터가 자연 이미지에서 물체를 인식할 수 있게 하는 것은 최근까지 매우 어려운 작업으로 여겨졌지만 이제는 컨볼 루션 신경망 ILSVRC에서 인간의 성능을 능가했으며 ILSVRC 분류 작업이 본질적으로 해결되는 수준에 도달했습니다 (예 : 오류율이 Bayes 비율에 가깝습니다). 딥 러닝 기술은 다양한 컴퓨터 비전 문제에 대한 사실상의 표준이 되었습니다. 그러나 이들은 이미지 처리 및 분석에 국한되지 않고 자연어 처리, 음성 인식 및 합성, 1 등의 영역에서 다른 접근 방식을 능가합니다. 엔티티 임베딩을 사용한 비정형 테이블 형식 데이터 분석 갑작스러운 발전과 광범위한 딥 러닝, 그로 인한 관심의 급증과 수십억 달러의 투자로 인해 기계 학습의 전체 분야에서 개선과 투자의 선순환이 이루어졌습니다. 현재 전 세계적으로 가장 인기 있는 연구 분야 중 하나이며 기계 학습에 능숙한 사람들은 산업계와 학계 모두에서 높은 인기를 얻고 있습니다. 의료 서비스 제공 업체는 "기존의"분석 방법을 훨씬 능가하는 속도로 매우 귀중한 신호와 정보를 포함하는 방대한 양의 데이터를 생성하고 캡처합니다. 따라서 머신 러닝은 대규모의 이기종 데이터 세트를 기반으로 통합, 분석 및 예측을 수행하는 가장 좋은 방법 중 하나이기 때문에 빠르게 그림에 진입합니다 (참조 : 건강 정보학 ). 심층 학습의 의료 응용 분야는 1차원 생체 신호 분석 및 의료 사건의 예측 (예 : 발작 및 심장 마비 , 컴퓨터 지원 감지 및 진단 지원 임상 의사 결정 및 생존 분석 , 약물 발견 및 치료 선택 및 약물 유전체학, 운영 효율성 증가, 계층화된 치료 전달 , 전자 건강 기록 분석 일반적으로 머신 러닝을 사용하고 특히 의료 분야에서 딥 러닝을 사용하는 것은 아직 초기 단계이지만 학계 전반에 걸쳐 몇 가지 강력한 이니셔티브가 있으며 여러 대기업이 머신 러닝을 기반으로 한 의료 프로젝트를 추구하고 있습니다. 의료 기술 회사뿐만 아니라 Google Brain, 4 DeepMind, 5 Microsoft, 6 및 IBM. 7 또한 이 분야에는 수많은 중소기업이 있습니다. 이제 딥 러닝이 전체 워크 플로의 각 단계에서 응용 프로그램을 확인한 MRI 분야를 살펴보겠습니다. 획득에서 이미지 검색, 분할에서 질병 예측까지. 우리는 이것을 두 부분으로 나눕니다 : ( i ) 이미지 복원 및 다중 모드 이미지 등록을 포함하여 MRI의 물리학에 가까운 신호 처리 체인 ( 그림 3 ), ( ii ) MR 이미지 분할, 질병 감지에서 딥 러닝 사용 , 이미지 및 텍스트 데이터 (보고서)를 기반으로 한 질병 예측 및 시스템, 뇌, 신장, 전립선 및 척추와 같은 몇 가지 선택된 장기를 다루고 있습니다. MRI의 딥 러닝은 일반적으로 재구성된 크기 이미지의 세분화 및 분류에 중점을 두었습니다. 낮은 수준의 MRI 측정 기술에 대한 침투는 더 최근이지만 이미 인상적입니다. MR 핑거 프린팅의 MR 이미지 수집 및 신호 처리에서 노이즈 제거 및 초 고해상도, 이미지 합성까지 지원되고 있습니다.