[转帖]类脑计算在医疗图像上的应用(附PPT下载)_AI.人工智能讨论区_Weblogic技术|Tuxedo技术|中间件技术|Oracle论坛|JAVA论坛|Linux/Unix技术|hadoop论坛_联动北方技术论坛  
网站首页 | 关于我们 | 服务中心 | 经验交流 | 公司荣誉 | 成功案例 | 合作伙伴 | 联系我们 |
联动北方-国内领先的云技术服务提供商
»  游客             当前位置:  论坛首页 »  自由讨论区 »  AI.人工智能讨论区 »
总帖数
1
每页帖数
101/1页1
返回列表
0
发起投票  发起投票 发新帖子
查看: 1551 | 回复: 0   主题: [转帖]类脑计算在医疗图像上的应用(附PPT下载)        下一篇 
huang.wang
注册用户
等级:中将
经验:17623
发帖:407
精华:1
注册:1970-1-1
状态:离线
发送短消息息给huang.wang 加好友    发送短消息息给huang.wang 发消息
发表于: IP:您无权察看 2018-7-12 10:52:27 | [全部帖] [楼主帖] 楼主


本文转自微信公众号 数据派THU


[ 导读 ]本文整理自2017年7月3日,清华大学生物医学工程系教授宋森在清华-青岛数据科学研究院,联合清华大学医学院未来影像实验室共同举办的 “清华大学人工智能与未来医学影像高峰论坛”上,发表的”类脑计算在医疗图像上的应用”演讲内容精华。


一、类脑人工智能与深度学习

1.类脑人工智能

类脑人工智能,跟我研究背景有关。我小时候玩过一段人工智能,后来觉得从当时来看,如果要实现人工智能,还要向人的大脑学习,所以有很长一段时间在进行大脑的研究。现在我非常高兴有机会能把这两点结合起来。


2.深度学习

大家听的比较多的所谓深度学习,从类脑人工智能的角度来看,是受到灵长类视觉结构的启发。左边那张图,视觉系统有很多层,所以这是为什么叫深度学习。


3.深度学习的历史

最近深度学习有比较大突破,在医疗图像里面也有很大进展。大数据和计算能力的提升,使得这种受大脑启发的算法总算能够和现实应用结合起来。当然,深度学习真正的历史是几起几伏,很曲折的。

这几年机器学习的主要的区别是什么?传统上做机器学习,是先要用人工去提取一些特征,然后通常会训练一个比较简单的分类器。这几年的区别就是开始能够做自动特征提取。

具体来说,深度学习自动特征提取这一部分是把它分成了很多层。

大家可能知道深度学习突破是2012年。有一个比赛,从网上找到了大量图片,给它们进行标注,然后让机器去学习,看能不能学出来。前几年准确率都还挺低,后来用深度学习的方法直接一下提升了几十个百分点,从这个以后深度学习变得非常热门。


二、深度学习应用到医疗图像领域

1.皮肤癌诊断

皮肤癌诊断跟这类算法很像,给一个标签看它能不能做?取得了很大成功。但是,如果把深度学习的方法应用到医疗上,很多情况下不是这么直接就能用过去的,还是有些特殊性。


2.深度学习应用到生物图像

这是我做博士后期间我们开始进行的尝试,神经元图片想把它变成右边这样,然后就能分型研究,本质是一个分割问题。

我们开始了一个合作项目,能不能通过对形态学进行描述,把这个视网膜类神经元搞清楚。

为什么困难?它难的地方在哪里?主要是因为成像的原因,有时候会断开,有时候会连起来。

一开始我花了一年时间,尝试传统方法,但效果不好,后来我博士后的导师说我们要不要试试卷积神经网络,虽然这个方法当时名声很差。于是我们就开始用这个方法做端到端的训练。这个方法现在叫深度学习。

最后突破是什么呢?我们后来搞明白了,你要从刚才图片照片直接变成一个细化的结构很难,如果你看传统算法设计上,它其实把它变成类似于中间这样一个图片,然后再把它一层一层剥掉,剥的这个过程用深度学习不是很好做。它是多步运算,所以我们其实主要是把深度学习来做一件它并不适合的事情,就很难。

其实我们真正需要的就是把那些断点连起来,所以我们就把原图进行二值化,人工把那些断的点全连起来。这张图其实跟原图长得很像。所以在做一个问题之前,你得搞清楚深度学习擅长什么,不擅长什么。


三、注意力神经元网络

1.注意力神经元网络研究

我回到清华以后, 2014年跟微软研究院的张铮老师合作,提出了一个叫注意力的神经网络。总的来说,是受神经科学的启发,我们认为以前的神经元模型太简单了。神经元可以看到它有两种因素,它会把两种因素乘起来,现在叫注意力机制,目前这类算法在深度学习里面得到了广泛应用。


2.图像预测

我们的两位学生,受张钹院士的指导。

要根据这个图像预测一年以后的发病率。要怎么弄呢?你要仔细想一想人是怎么做的。人会先看到一些可疑的地方。

第一步把这些可疑的地方找出来,找的过程中我们就用了类似于注意力机制,把两组输入整合的机制。(上图中的R)

在这个基础上就选出五个可能的病灶地方,再用概率的方法整合起来预测发病率。这个概率的方法是很关键的,减少了过拟合的可能。


3.类脑计算

清华有类脑计算研究中心,我们的目的是慢慢迈向通用人工智能,是跨学科领域的一个中心。


四、对未来的展望

1.对未来的展望

对于医学影像来说,人工智能有几个方向很重要:

第一个是医学影像确实是个小数据问题,不可能像网络图片是海量的,成百万上千万的。医学影像涉及到几千例、几万例就不得了,所以要把每一张图片价值化。通过适合小数据的算法,把这些图像里面的价值放大。这是我们研究上很重要的一点。

第二个是需要有可解释的机器学习。如果只是一个黑箱子出来是不够的,中间不知是什么。在上面肺癌的例子里,我们先发现可能的病灶,然后再判断,找出一些特征,这样对医生会有帮助。

第三个就是需要多模态的融合,以及可能跟基因、病历等这些融合。


2.小样本问题

减少对标注的依赖对医疗影像很重要。前年发表在science,是怎么回事呢?通俗的讲:你能不能先学会一个概念,比如说怎么写字。不是给你一大堆东西,你就照着弄,而是你先学会写字这个概念。你学会了以后,给你看一个样子,它马上就学会了。我们在医疗影像上由于数据量比较小,以后真能用的可能是类似这样的:比如说你先学会了怎么看片,到了一个医院以后,给你看几个例子,大概这一类就学会了,这样比较现实。


3.可解释的机器学习

另外一个就是可解释的机器学习。因为很大一个问题:机器学习如果是黑箱的话,你不知道他学习什么。

上图是很有名的例子,用深度学习的方法,将左图与右图组合起来,用右边的风格画左边这张画。然后问你,这是什么?我相信有人可能会说这是一个帆船,绝对不会说这是一个豹子,但是神经元网络说这是豹子,认为是船的概率为零。为什么?现在的卷积网络,他其实更关心概率分布,更关心纹路。

怎么办?有点像我们下围棋,你必须要有直觉。一些基础功能怎么去检测,这些深度学习可以帮你。同时你要有推理过程,基于概率等等。这样算是一个完整系统,跟人的思考方式是一样的。


4.多态融合和复杂决策

最后比较有意思的是,我们需要多模态的融合和复杂决策。我也看到一些希望,最近一篇文章通过比较挖掘电子病历,用机器学习的方法可以较好的预测心脏病发作,所以在未来我们有办法把各个成像模式跟电子病历的融合。


5.硬件加速和清华脑类计算研究中心

硬件加速也非常重要,清华类脑计算中心有非常多研究,包括张钹院士,有一整套解决方法,从算法到硬件我们都希望跟大家合作。


完整版PPT下载:

宋森:类脑计算在医疗图像上的应用4.0.pptx



该贴被huang.wang编辑于2018-7-12 15:47:16


我超级酷,但是如果你回复我的话我可以不酷那么一小会儿。


——来自logo.png


赞(0)    操作        顶端 
总帖数
1
每页帖数
101/1页1
返回列表
发新帖子
请输入验证码: 点击刷新验证码
您需要登录后才可以回帖 登录 | 注册
技术讨论