本港台开奖现场直播 j2开奖直播报码现场
当前位置: 新闻频道 > IT新闻 >

wzatv:【图】女性福音!大规模深度学习带来的医疗之变(2)

时间:2016-12-25 01:04来源:香港现场开奖 作者:j2开奖直播 点击:
受限玻尔兹曼机器(RBM)、概率生成模型和自动编 码 器(AE)、单层神经网络、当把它们堆叠起来分别形成深信度网络(DBN)和栈式自编 码 神经网络(

  受限玻尔兹曼机器(RBM)、概率生成模型和自动编器(AE)、单层神经网络、当把它们堆叠起来分别形成深信度网络(DBN)和栈式自编神经网络(SAE)后,便成为了很好的模式识别器。目前,全监督的卷积神经网络(CNN)占据着主导位置,相对于过去几十年,AI这些年得到了高速发展,在很大程度上归因于更有效的训练方法、硬件上的进步(如多核心计算的应用),以及最重要的——大量的注释训练数据。

  
图注:上图为网络架构的图示,数字表示的是使用的内核的数量。科研人员采用了VGG模型的缩小版本。为了看到常规特征仍然可以起作用的程度,网络采用全监督方式训练,随后从最终层提取学习到的特征,并且与人工特征连接,并使用第二级分类器再训练。

  在本论文中,科研人员通过一系列人工设计的特征,将卷积神经网络(CNN)和计算机辅助检测和诊断系统(CAD)之间的进行了比较,atv结果显示,CNN胜过最先进的乳腺X线影像CAD系统,数据集大约在45000张图像。科研人员将检测范围集中在固体恶性病变,包括结构扭曲,治疗良性异常,比如假阳性的囊肿或纤维腺瘤。在该论文中,研究人员的目的并不是给出最简特征集,而是使用一个完整的集合,其中包含所有通常应用于乳房X光照相的描述符,并与深度学习的方法进行公平比较。

  过去两年,对象识别的成功,可以部分归功于科研人员明智地将卷积神经网络(CNN)与经典计算机视觉技术相结合。本着这种理念,研究人员采用候选检测器以获得一组可疑位置,这些位置通过传统系统或者CNN进行进一步检查。我们随后通过将学习的表示与诸如位置,对比度和患者信息等特征结合,来研究CNN到底在何种程度上仍然与传统描述符是互补的。

  在该论文中,研究人员证明,在乳腺X光影像的大数据集上训练的以卷积神经网络(CNN)形式的深度学习模型,超越了计算机辅助检测(CAD)最先进的系统,因此,该网络具有非常巨大的潜力,有助于推动科研水平发展。其中,主要的优点便是CNN利用数据学习,而不依赖领域内的专家,这使得医疗水平发展更简单、更快捷。同时,该论文表明,添加位置信息和配置指令可以轻松地添加到该网络中,并且几个手动设计的特征可以进行一些小的改进。除此之外,科研人员将CNN与一组三个有经验的医生进行了比较,其中两个是专业的放射科医生,结果证明,人类读取X光片的能力和卷积神经网络具有类似的性能。

(责任编辑:本港台直播)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
栏目列表
推荐内容