【AI Applications in Medical Imaging】Segmentation

MeDA
2粉絲
ChiChi Chang | Department of Bioengineering, UC Berkeley
#AIApplication #MedicalImaging #Segmentation #MeDA #MeDASchool
今天我們要講的是 細節參數
特別是針對MRI檢驗的
今天我們要講的是細節參數
一個很簡單的概念
接着我們會講到其重要性
它的用途
細節參數的限制
我們還會講到基本的概念
最後我們會講到 細節參數的數學概念
首先,分割是什麼?
在這兩張照片中,分割的概念是
把這些不同的部分的圖片分割成
意味着什麼樣的圖片
例如,這張圖片中,我們分割了這些車子
成爲同一顏色
或者,例如,我們分割了這部分
這部分被定義爲
我們之後會談到的
是房子和人
這就是分割的概念
分割是一個很熟悉的應用
谷歌會選擇所有的角落
或者是街道的位置
我相信你們都很熟悉
分割是一個不同的應用
今天我們要談的是醫藥圖
分割是把圖片分割成意味着什麼樣的部分
當我們談到醫藥圖時
我們要談到分析肝細胞或肝細胞的圖片
或其他有關生物的結構
在醫藥圖中
我們來看看這張圖片
這是我們一開始會談到的圖片
分割的概念是把圖片分割成
不同的肝細胞
以便你能夠分析或辨識
這些圖片的各個部分
在這張圖片中,你可以看到
他們用了不同的顏色來分析這些圖片
最上面的部分是脈細胞
第二部分是白色的物體
第三個部分是灰色的物體
接下來,我們來談談分割的重要性
分割的挑戰是
首先,分割是用於
診斷和肝細胞不正常
在這兩個情況下
最有挑戰的地方是
我們使用分割的原因是
這兩種過程很耗時
而且有時會無法無線診斷
例如,如果患者患有肝細胞
我們嘗試診斷肝細胞
有時,醫生無法察覺
這一小塊細胞的MRI
但我們能夠通過分割和模型訓練
察覺到它
同樣,肝細胞不正常
所以分割的第三個用處是
處理
通常處理過程中
有很多不必要的細胞
可以影響肝細胞診斷
當我們使用分割的方式
例如
如果圖中有五種細胞
我們只需要兩種
來診斷肝細胞
所以在這種情況下
我們能夠利用分割
去處理這些細胞
使分割能夠更清晰
另一方面是視覺上的困難
我們會在下一個頁面
看到這個例子
所以對於分割和肝細胞不正常
我們可以看到
分割的好處是
當我們看這個圖時
我們無法看到發生了什麼
所以對於醫生來說
這很明顯
但通過分割
我們可以讓它更明顯
使用一個被創造的面膜
讓我們能夠辨識
或找出肝細胞的位置
在圖中
不需要醫生
要經過八個小時
和多個圖片
我們能夠辨識
或辨識出一個肝細胞
我們能夠辨識出一個肝細胞
我們可以看到
在這張圖中
我們可以看到
這張圖中
這些都是
computer會用來
這通常是通過數學的方式
這意味着如果模型無法正確地學習或判斷我們所看到的功能
結果會發生的是
我們會看到一個固定的圖像
並不是我們想要固定的圖像
因爲它無法學習功能
所以它無法學習圖像
所以我們不應該固定圖像
因爲圖像固定了一部分腦子
並不是圖像
這就是模型無法正確地學習或判斷重要的功能
並且無法正確地判斷
這是很重要的
你必須正確地學習和判斷
這兩方面
所以我想要你們考慮的是
這是什麼樣的意義性構圖
你們可以在這裏停止視頻
我會給你們五到十秒
根據我們之前談到的
我們說過
這裏有兩個部分
第一部分是處理
就是處理方法
第二部分是診斷和診斷
處理方法
很多時候
正如我們之前解釋的
我們想要證明很多東西
所以當我們處理腦細胞
像是白色和灰色的物質
或者像腦細胞的液體
如果我們想要處理腦細胞
例如
有時候我們想要證明頭部
這是我們想要學習的功能
而診斷和診斷
正如我之前所說
很多時候
你會想要你的模型能夠學習
例如腦細胞不正確
如果有一個針
例如
如果腦細胞能夠代表腦細胞
這些都是你想要的
或者你想要模型能夠學習的
所以圖片有例子
例如
當模型在學習
它最終會看到中心點
或者
例如
我們把中心點
設定爲我們要學習的地方
如果我們專注在
模型在學習這些功能
或者在詳細地詮釋
這張圖片是什麼
就是它與旁邊的像素相比
這和3D宇宙模型
是一樣的
但是它們的分別
是它們是從各個地方相比
所以它們不僅是
向右或向左
向前或向後
它們還在你上面
或在你下面
這都是因爲它們是3D
所以這兩個是一樣的
你可以想像2D和3D
是一樣的
除此之外
它們只是一個
更多的面積
所以它們並不是
比你想象中的複雜
我們繼續談談
失去的功能
我們通常使用的失去功能
是線路線
正如我之前解釋過
如果你們還記得
讓我們重新思考一下
我們將進一步瞭解
數學概念
或者說
這件事的意圖
所以專注於模型訓練
我們使用線路線
作爲失去功能
來計算失去功能
所以我們最終想要
減少這個點
正如我之前解釋過
所以整個模型訓練的目標
是能夠達到這個點
所以很多時候
它使用這個計算方法
b是a-gamma
然後delta f of a
所以我們看到的
是它使用這個計算方法
一直更新它的計算方法
以達到這個
減少的點
所以a是現在的位置
所以在我們的情況下
我們每次都會
改變a
比如說
當面罩進去的時候
我們說
那會被定義爲新的起源點
那就是a
我們會一直更新
直到達到這個點
所以如果你們可以想像
a會一直在下降
因爲你們在一個
一直在下降的點
所以f of a
基本上是
最低降的方向
所以如果我們
實際上在這個點
這個價值會
導向這個點
因爲我們知道
這個紅點
是最低的點
因此
減少的點
基本上是
一個調整計算方法
它是根據
一個反循環的功能
並改變了
它的計算方法
以減少
它的成本
以達到
它的最低
所以希望你們
能夠更瞭解
減少的點是什麼
回想起來
所以進入
更深的數學概念
所以
什麼是
漸漸下降的意識
就像我們之前看到的
在之前的計算方法中
我沒有解釋
或者提到的
是γ
就是學習率
所以這意味着
我們來比較
實際上來說
如果我們有
一個非常大的γ
就是一個非常大的學習率
結果會發生的是
它會不斷地
跳到不同方向
的反循環
直到達到
那個最低點
當然
有時候會達到
那個最低點
有時候不會
但顯然
這不是目標
所以這就是
如果你的學習率
太大了
所以這是一個
計算方法
不斷地改變
每一個進行
以達到
那個最低點
所以例如
如果我們有
一個小的學習率
結果會發生
更理想的事情
或是我們想要更多的
而發生的是
你可以看到
它會一步一步地
降到達到
那個最低點
你可以看到
每一個步驟
這個學習率
可能會越來越低
所以它會變得
越來越小
當它達到
那個最低點的時候
所以它不會突然
跳到
那個反循環的
另一邊
因此
看起來
我們看到的是
這是我們想要達到的目標
這是我們想要達到的
最佳目標
但是
以我們看到的
高學習率
結果會發生的是
你看到
最開始的
非常陰沉的坡
然後它就
平衡了
但它並不是
很順利地平衡
它是
有點上下的
因爲
你現在看到的
這個坡
是在這個地方
它是從
從一個地方
到另一個地方
它會
跳到
那個最低點
因爲
學習率
太大了
它不停地跳
你無法找到
那個最低點
因此
以低的學習率
我們看到的是
它不像
最開始那麼陰沉
結果會發生的是
你會有很多的
進步
這也是我們
想要避免的
所以最好
是有一個
很好的學習率
平衡到
最後
所以
你必須
要記住的
是
價格
應該
每次進步
都要
減少
這就是
你知道
它正在運作
最終
你會看到
它在最低點
結束
所以
它會增長
或者
不變
當你知道
它增長的時候
你就知道
你完成了
你的模型訓練
或者
同樣的時候
你也知道
你完成了
訓練
你的模型
談到模型的準確性
模型準確性的
失誤功能
通常是
使用
數據的準確性
所以
你通常會聽到
數據的分數
所以
數據準確性
準確性
Thank you
