?

內(nèi)容來源：ATYUN AI平臺

美國國立衛(wèi)生研究院（NIH）的研究人員開發(fā)了一種基于深度學(xué)習(xí)的系統(tǒng)來自動檢測肺結(jié)節(jié)，即肺中的小的圓形或卵形增生。

研究人員在論文中寫道，“深度學(xué)習(xí)取得了重大的成功。然而，足以覆蓋人口多樣性的大量的訓(xùn)練樣本，對于產(chǎn)生高質(zhì)量的結(jié)果往往是必要的。但由于以下幾個原因，醫(yī)學(xué)圖像領(lǐng)域的數(shù)據(jù)可用性，特別是涉及病理時的數(shù)據(jù)可用性非常有限：如顯著的圖像采集成本，對敏感患者信息的保護，有限的疾病病例數(shù)量，數(shù)據(jù)標記困難以及地點，規(guī)模的巨大差異。”

團隊使用NVIDIA Tesla GPU和cuDNN -accelerated Caffe深度學(xué)習(xí)框架，以及1千個肺部結(jié)節(jié)圖像來訓(xùn)練他們的條件生成對抗性網(wǎng)絡(luò)。一旦訓(xùn)練完成，該系統(tǒng)會生成數(shù)千個額外的人造肺結(jié)節(jié)圖像。

?

用于肺部結(jié)節(jié)發(fā)生的3D CGAN結(jié)構(gòu)。輸入是原始的CT VOI，y包含一個真實的結(jié)節(jié)和相同的VOI ，x中心區(qū)域被擦除。通道號碼放置在每個功能圖的旁邊。

團隊表示，“我們的系統(tǒng)提供了一種可行的方法來幫助克服在醫(yī)學(xué)圖像中獲取邊緣病例數(shù)據(jù)的困難，并且我們證明GAN合成的數(shù)據(jù)可以提高模型對病態(tài)肺部的區(qū)分，我們的CGAN方法可以提供有效且通用的方法，來幫助克服在醫(yī)學(xué)成像中收集數(shù)據(jù)集的瓶頸。”

?

與其他三個神經(jīng)網(wǎng)絡(luò)比較的肺部分割結(jié)果

當(dāng)與其他三個神經(jīng)網(wǎng)絡(luò)相比較時，CGAN方法在骰子分數(shù)，Hausdorff和平均表面距離方面產(chǎn)生了更好的結(jié)果。骰子分數(shù)從0.964提高到0.989，Hausdorff和平均表面距離分別減少了2.4毫米和1.2毫米。研究人員表示，在視覺質(zhì)量方面，擬建的網(wǎng)絡(luò)在分割掩模質(zhì)量方面有了相當(dāng)大的改進。

本文轉(zhuǎn)自ATYUN人工智能媒體平臺，原文鏈接：美國國立衛(wèi)生研究院利用AI自動檢測肺部異常，突破數(shù)據(jù)收集瓶頸

更多推薦

華為又放大招！發(fā)布算力最強AI處理器昇騰910，明年將開源計算框架MindSpore

Waymo公開無人駕駛汽車開源數(shù)據(jù)集

三門課程循序漸進學(xué)習(xí)Node.js

標簽：

深度學(xué)習(xí)

?

歡迎關(guān)注ATYUN官方公眾號

商務(wù)合作及內(nèi)容投稿請聯(lián)系郵箱:bd@atyun.com

總結(jié)

以上是生活随笔為你收集整理的美国国立卫生研究院利用AI自动检测肺部异常，突破数据收集瓶颈的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。