《类脑计算在医疗图像上的应用课件文档.pptx》由会员分享，可在线阅读，更多相关《类脑计算在医疗图像上的应用课件文档.pptx（29页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、类脑人工智能在医疗图像处理中的应用深度学习算法受到灵长类视觉系统结构的启发近年来在很多领域取得了突破从2016年起在医疗图像领域也取得一系列突破深度学习深度学习的成功：回过头看：很早就发现的受大脑启发的算法+大数据+大的计算机但真正的历史是曲折的。http:/ ImageNet2012皮肤癌诊断斯坦福大学的研究人员开发深度学习算法，识别皮肤癌的准确率与专业的人类医生相当，相关研究论文被选为封面论文在2016年底的 Nature发表。研究人员训练系统观看了近13万张痣、皮疹和其他皮肤病变的图像，然后让系统与21位皮肤科医生对比测试，结果系统的精确度与人类医生相当（“至少”91%）。基于电子显微镜
2、的脑链接组解析V.Jain,J.F.Murray,F.Roth,S.Turaga,V.Zhigulin,K.L.Briggman,M.N.Helmstaedter,W.Denk,andH.S.Seung.SupervisedLearningofImageRestorationwithConvolutionalNetworks.Proceedings:IEEE 11th International Conference on Computer Vision(ICCV)(2007).视网膜神经元的分类SumbulU&,SongS&,McCullochK,BeckerM,LinB,SanesJR,M
3、aslandR,SeungSH*.(2014)Ageneticandcomputationalapproachtostructurallyclassifyneuronaltypes.Nature Communications,5:3512(co-firstauthor)本人在MIT博士后期间（2007）开始将深度学习应用到生物图像上The fundamental plan of the retinaPhotoreceptors:Bipolar:Horizontal:Amacrine:Ganglion:Reference:Masland,R.H.(2001).The fundamental pl
4、an of the retina.Nat Neurosci,4(9):877-886.Bipolar:为什么困难？错误的断开错误的融合需要先验知识.用机器学习方法来重构神经元+Train卷积神经网络 端到端训练Hand Designed Filters versus End to End Learning分两步走如何标注图像很重要How to Generate Training Labels morphology利用先验知识，让电脑学习最重要的东西最重要的是拓扑连接结构乘法机制传统人工神经元模型认为信号整合是线性的，只有动作电位发放是非线性的。基于生物神经元树突的非线性特征运用到图像分割问题上
5、QianWang,JiaxingZhang,SenSong,ZhengZhangAttentionalNeuralNetwork:FeatureSelectionUsingCognitiveFeedbackNIPS2014本实验室2014年提出注意力神经元网络Data Science Bowl 2017$1Mprize1700+teams1000+kernels在今年的数据国际大赛上本实验室和胡晓玲老师、张钹老师实验室学生廖方舟 李哲运用相关技术获得了世界第一的成绩肺癌辅助诊断根据CT 图像预测一年后发病概率12812824643232646416648325*K641632643Dcube3
6、DoutputRR326432643212832128 Nodule Detector Net(N-Net)Case Classification Net(C-Net)N-NetTop5proposals+dummynodule99.97%97.36%86.48%71.84%69.65%P1=69.06%P2=65.22%P3=69.69%P4=2.08%P5=5.97%P1P2P3P4P5Pd=0.97%32128Pd32128321283212832128类脑计算类脑计算-迈向迈向通用通用人工智能人工智能类脑计算是一门融合了脑科学与计算机科学、信息科学和人工智能等领域的交叉学科，类脑计算借
7、鉴了人脑存储和处理信息的方式，是基于神经形态工程发展起来的新计算技术。其与现代计算机相结合，将构成人工通用智能的基础，并大幅提高智能处理能力，最终促进计算机、大数据、机器人、人工智能等的发展。1小数据问题减少对标注的依赖，让相关算法自适应性更强这对医疗图像很重要，各医院采取的机器格式等不一样。2 可解释的机器学习需要有中间结果及推理过程，而不完全是黑箱操作 3 多模态融合综合多种成像手段，以及其他检测指标对疾病做出辅助诊断对未来的展望学习写字在这篇论文中，研究者的模型只规定了字符由笔画组成，笔画由抬高笔触来区分，而笔画又由更小的子笔画组成，子笔画用笔尖速度为零的点来区分。有了这个初始模型之后，
8、研究者向AI展现了人类手写文字的方式，包括笔画顺序等，让系统学习连续的笔画和子笔画之间的统计关系，以及单个笔画所能容忍的变异程度。这个系统从未在它所分析的书写系统上进行过任何训练，它只是推理出了人类写字的一般规律。241小样本问题-学习去学习减少对标注的依赖对医疗数据很重要252可解释的机器学习-深度学习到底学了什么？262可解释的机器学习既有直觉又有推理的完整系统3 多模态多模态融合和融合和复杂决策复杂决策 整合电子病例信息整合电子病例信息在新的研究中，Weng 和他的同事比较了ACC/AHA指南与随机森林，逻辑回归，梯度增强和神经网络这四种机器学习算法的应用。所有四种技术都在没有人为指导的
9、情况下通过分析大量数据形成了预测工具。这一研究中的数据来自英国378256名患者的电子病历。其目标是在心血管疾病相关数据中找出模式。自学习自学习人工智能在预测心脏病发作上击败人类医生人工智能在预测心脏病发作上击败人类医生p精仪系精仪系裴京裴京马骋马骋李国齐李国齐p电子系电子系窦维蓓窦维蓓汪玉汪玉欧智坚欧智坚p微电子系微电子系钱鹤钱鹤邓宁邓宁吴华强吴华强p医学院医学院宋森宋森 管吉松管吉松苑克鑫苑克鑫p计算机系计算机系陈文光陈文光 张悠慧张悠慧朱军朱军p自动化系自动化系陈峰陈峰季向阳季向阳 赵明国赵明国p材料学院材料学院章晓中章晓中 曾飞曾飞胡晓林胡晓林吴思吴思（北师大）（北师大）施路平施路平金
10、国藩金国藩张钹张钹王文会王文会 胡华胡华刘国松刘国松钟毅钟毅类脑芯片类脑芯片系统应用系统应用纳米材料机理纳米材料机理复杂网络控制复杂网络控制机器学习机器学习语音信息处理语音信息处理图像信息处理图像信息处理集成电路及系统集成电路及系统新型存储器件应用新型存储器件应用新型存储器件新型存储器件ICIC芯片工艺芯片工艺大脑基元原理大脑基元原理学习规则学习规则脑网络模型脑网络模型人工智能人工智能机器学习机器学习统计学习统计学习计算机架构计算机架构高性能处理器高性能处理器类脑计算仿真平台类脑计算仿真平台机器人应用机器人应用控制理论控制理论概率图模型概率图模型脑基元器件脑基元器件新型存储器件新型存储器件基于纳米器件基于纳米器件 的类脑芯片的类脑芯片纳米材料制造纳米材料制造教授教授1313名名副教授副教授1212名名助理教授助理教授2 2名名20142014年年0909月成立月成立28硬件加速也很重要硬件加速也很重要 清华类脑计算研究中心清华类脑计算研究中心宋森 实验组清华大学 生物医学工程系谢谢谢谢 Thank you！汇报完毕