![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
吴恩达医学图像专项课程
文章平均质量分 88
Tina姐
微信公众号【医学图像人工智能实战营】,医学图像处理领域,坚持已实践为主,手把手带你做项目,打比赛,写论文。
展开
-
深度学习用于医学预后-第二课第四周大作业-使用 Cox 比例风险和随机生存森林估计原发性胆汁性肝硬化患者的生存风险
使用 Cox 比例风险和随机生存森林估计原发性胆汁性肝硬化患者的生存风险欢迎来到第二门课程的最终作业!在这个作业中,你将使用生存数据以及线性和非线性技术开发风险模型。我们将使用一个包含原发性胆汁性肝硬化(pbc)患者的生存数据集。PBC 是一种由于肝内胆汁积聚(胆汁淤积)导致小胆管受损并排出肝内胆汁的疾病。我们的目标是了解不同因素对患者的生存时间的影响。原创 2023-05-29 11:58:03 · 3797 阅读 · 2 评论 -
深度学习用于医学预后-第二课第四周21-23节-使用Harrell C-Index评估生存模型(实例)
恭喜你完成了这门课程的最后一周。本周,你学习了如何基于患者档案构建和评估个性化的生存预测模型。你学习了Cox比例风险模型和生存树等生存模型,可以利用患者变量来获取患者特定的风险。你还学习了如何使用Harrell’s C-index来评估生存数据上的生存模型。在你的最后一项任务中,你将有机会将所有这些概念应用到实际数据中,建立一个预测住院患者死亡率的生存模型。我也是第一次接触预后模型,很多概念对我来讲都是新的。这部分只是我的一个学习笔记,当遗忘的时候可以翻出来看看,快速回忆。当然,也希望对你有用。原创 2023-05-23 23:32:48 · 332 阅读 · 0 评论 -
深度学习用于医学预后-第二课第四周18-20节-使用Harrell C-Index评估生存模型
在本课程中,您将学习如何使用Harrell Concordance Index来评估生存模型的性能。在之前,您已经计算过常规的Concordance Index(C-index)。现在您将学习当您处理生存数据时如何修改这个计算方法。这个最终工具将允许您评估您所学到的生存模型。在本课中,我们将讨论使用Harrell C-Index评估生存模型的方法。我们已经看到了评估预后模型的设置。之前我们在研究一个10年内死亡的风险,我们会为死亡率在10年内的结果是"是"或者"否",并通过模型输出风险分数。原创 2023-05-22 23:46:21 · 444 阅读 · 0 评论 -
深度学习用于医学预后-第二课第四周16-17节-比较两个患者的风险
因此,我们分组进行累积风险的计算,假设这4人都在A组,得到他们的累积风险,同样地,得到他们在B组的累积风险。现在我们有了这八个值,我们可以做的是将每一列相加,得出死亡危险评分,它是一个单一的值,它使我们能够比较两名患者的风险。因此,我们可以看到,在所有时间点,蓝色患者的累积风险都高于橙色患者的累积危险。在这里,我们看到很多事件发生在20到33之间,在我们关心的这个区域,比较两名患者的风险,也就是说图中黑色线条区域,在这个区域,橙色的患者风险更高。我们将使用的关键思想是:我们观察到人群死亡时的累积风险。原创 2023-05-21 17:17:03 · 318 阅读 · 0 评论 -
深度学习用于医学预后-第二课第四周13-15节-使用生存数的非线性风险评估模型
记住,我们可以用(t)来表示每个时间点的风险,或者我们可以用累积风险来表示,或者用生存函数来表示,因为它们是可以互换的,在这个特殊的例子中,我们关注的是累积风险。因此,我们的目标是能够解决这个问题,如果我们有一个由患者组成的人群,我们应该为该群体中的不同类型的人提供不同的风险函数。我们看到我们可以建立这些线,可以把病人分类,他们在适当的风险类别中,我们有低风险,和高风险类别,我们提出了作为我们决策树的一部分。在公式中,我们看到患者的风险是基础风险率乘以一个因素,这个因素是由他们的变量决定的。原创 2023-05-21 14:27:38 · 437 阅读 · 0 评论 -
深度学习用于医学预后-第二课第四周5-12节-为个体患者制定风险评估模型
例如,如果我们有一个 50 岁的吸烟者,我们可能会认为他的风险与一个年轻的不吸烟的病人有很大的不同,而年轻的不吸烟的病人又与一个年长的不吸烟的病人有很大的不同。我们看到了比例风险模型,其中风险是基线风险乘以由患者协变量决定的某个因素,这里需要注意的一点是,让我们看看当所有协变量,所有变量,等于0时会发生什么。当然,我们不会有年龄为零且不吸烟的病人,通常我们的年龄会大于零,但这告诉我们当我们有一个来自患者协变量的1的因素时基线危险会是什么样子。因此,如果所有的变量都等于零,病人的风险和基线风险是一样的。原创 2023-05-17 23:08:10 · 535 阅读 · 0 评论 -
深度学习用于医学预后-第二课第四周1-4节随堂作业
作业名:C2_W4_lecture.ipynb作业地址:github --> bharathikannann/AI-for-Medicine-Specialization-deeplearning.ai --> AI for Medical Prognosis --> Week 4首先我们来看一下哪些特征是分类特征?在这个小样本数据集中,“腹水”、“水肿”和“分期”是分类变量在分类变量中,哪一个应该进行 one-hot 编码(变成虚拟变量)?让我们看看当我们对“阶段”特征进行one-hot编码时会发原创 2023-05-17 23:05:08 · 408 阅读 · 0 评论 -
深度学习用于医学预后-第二课第四周1-4节-使用线性和基于树的模型构建风险评估模型
今天起进入到第四周课程的学习,使用线性和基于树的模型构建风险评估模型。原创 2023-05-17 23:04:02 · 436 阅读 · 0 评论 -
深度学习用于医学预后-第二课第三周大作业-淋巴瘤患者生存分析实战:使用 Kaplan-Meier 方法进行数据分析
欢迎来到课程二的第三个作业。在这个作业中,我们将使用Python来构建一些统计模型,这些模型是我们上周学到的,用于分析。我们还将评估这些模型并解释它们的输出。原创 2023-05-16 19:17:44 · 580 阅读 · 0 评论 -
深度学习用于医学预后-第二课第三周14-15节-评估方法比较以及Kaplan-Meier估计
我们还研究了如果我们可以访问数据中的真实事件发生时间会发生什么情况,虽然这通常是不可能观察到的,但在这个假想的场景中,我们可以联系患者并找出事件发生的时间。因此,如果你想告诉人群中任何患者的预后或生存概率,我们只需在给定的时间,比方说50,查询当时的生存概率或y值,就可以知道两个人群中患者的生存概率的差异。因此,我们所做的是,我们能够使用生存数据来表示种群,我们根据这些数据建立了Kaplan-Meier生存模型。我们可以看到,我们的新估计(基于链式法则)更接近于真实估计,比我们两个极端观测得到的更接近。原创 2023-05-15 19:26:38 · 350 阅读 · 0 评论 -
深度学习用于医学预后-第二课第三周8-13节-估计生存函数
上节课知道了数据中存在删失数据,那么我们如何利用这些数据建立生存函数。这将是本节课的重点内容。本节课,我们将学习估计生存函数。回想一下我们看过的病人生存模型。对于这些病人,生存模型会告诉我们生存函数,也就是S(t),可以用上图来表示,在每个时间点,我们可以知道生存概率是多少。生存概率,记住,就是某个事件发生的时间在某个小t之后的概率,这个小t可以是1年,可以是5年,可以是10年,无论我们关心的是什么时间。我们研究了生存数据,对于生存数据我们有一组病人我们以时间的形式收集了结果信息。我们将使用这种形式的原创 2023-05-15 17:18:37 · 407 阅读 · 0 评论 -
深度学习用于医学预后-第二课第三周4-7节-关于事件的时间数据,认识处理删失数据
在本课中,我们将讨论生存数据。为了能够对生存进行建模,我们需要能够以我们可以处理的形式表示数据。主要的挑战是删失数据,这是一种特殊形式的缺失数据。我们接下来将要研究这一点。在这节课中,我们将谈论生存数据和删失。之前当我们研究预后模型时,我们会问一个问题,过去五年的生存概率是多少?我们有如下格式的数据我们有一群患者,之前我们使用1表示该患者有事件,0表示该患者可能在五年内没有事件。这就是我们使用的数据。请注意,这里的关键是我们需要的答案/结果基本上是肯定的或否定的(1或者0)原创 2023-05-14 22:39:54 · 425 阅读 · 0 评论 -
深度学习用于医学预后-第二课第三周1-3节-生存模型,生存函数
我们稍后将进一步讨论生存函数的性质。原创 2023-05-13 16:13:41 · 706 阅读 · 0 评论 -
深度学习用于疾病预后-第二课第二周大作业-练习基于树和随机森林构建风险模型(强推,干货多)
使用基于树的模型的风险模型作业地址在此作业中,您将通过预测来自 NHANES I 流行病学数据集的个人 10 年死亡风险来获得基于树的模型的经验(有关此数据集的详细描述,您可以查看这是一项具有挑战性的任务,也是我们本周学习的机器学习方法的一个很好的测试平台。原创 2023-04-29 15:44:08 · 1305 阅读 · 0 评论 -
深度学习用于疾病预后-第二课第二周12-15节-使用插补来填充缺失值
上次课我们了解了数据缺失问题,这节课主要学习如何填充这些缺失值。这个过程叫插补(Imputation)。插补用基于其他可用信息的估计值替换缺失的数据。原创 2023-04-29 15:38:59 · 469 阅读 · 0 评论 -
深度学习用于疾病预后-第二课第二周6-11节-认别缺失数据
因此,我们的数据丢失不是随机的,主要区别在于数据丢失的概率,没有记录血压的概率,不是恒定的。事实上,如果在我们的情况下有其他患者在等待,则血压记录丢失的概率为0.5,而如果没有其他患者在等,则血压测量丢失的概率是0。在这里,我们将关注年龄优先。因此,假设我们所观察的患者在所有年龄段都是均匀分布的,我们预计对于那些血压没有缺失的患者,我们也会看到类似的均匀分布。其中一个简单的例子是,如果年龄小于40岁,我的血压缺失的概率是0.5,年龄大于40岁的患者他们的血压测量缺失的概率为零,因为我们总是记录。原创 2023-04-29 15:38:07 · 188 阅读 · 0 评论 -
深度学习用于疾病预后-第二课第二周第1-5节-基于树的模型用于医学预后
本周,我们将使用决策树(Decision Trees)构建我们的第一个机器学习模型。树(trees)在医学应用中非常有用的的原因是:1️⃣ 它们处理连续和分类数据的能力,2️⃣ 它们的可解释性以及训练速度。我们将使用树来模拟在医学数据中观察到的非线性(non-linear)关系。当然,我们将构建我们的第一个基于机器学习树的模型,用于预测住院患者短期死亡率的预测任务。在实践中,当我们训练机器学习模型时,我们面临的主要实际挑战之一是缺失数据(Missing Data)。原创 2022-09-28 20:32:22 · 1168 阅读 · 0 评论 -
第二课第一周大作业--构建和评估一个线性风险模型
第二课第一周大作业–构建和评估一个线性风险模型原创 2022-09-17 16:13:46 · 556 阅读 · 0 评论 -
深度学习用于疾病预后-第二课第一周第9-11节 评估预后模型+作业解析
在本课中,我们将介绍预测模型的评估。评估预后模型背后的基本思想是查看它在成对患者身上的表现如何。假如这两个苹果为代表的病人。左手的苹果看起来已经不新鲜了,两天后就会过期,但我右手的苹果在接下来的两天里都是新鲜的。现在我们想要一个好的风险模型给不新鲜的苹果更高的风险评分,这就是风险模型(risk model )评估背后的基本思想。评估风险模型背后的基本思想是比较它分配给个体对的风险评分。现在要评估这些风险评分,我们需要知道患者是否真的发生了事件。在这里,我们正在研究十年内的死亡。原创 2022-09-16 20:02:09 · 850 阅读 · 0 评论 -
深度学习用于疾病预后-第二课第一周第8节 风险得分计算+作业解析
现在,风险方程在特征本身中不需要是线性的,它们在自然对数中可以是线性的,或者对数以 10 为底的特征,就像我们在 MELD 分数中看到的那样。我们可以通过简单地固定年龄来看到这一点,所以我们有固定年龄的黄线,并观察随着对数血压升高的风险如何变化,我们可以看到从蓝绿色到绿色再到浅绿色。在没有交互项的情况下,血压和年龄这两个变量的影响是独立的。但是在交互项下,年龄较小时,血压的增加风险也增加的,但年老时血压对风险的影响较小。在左边,我们首先将年龄的年龄对数固定为 3.8,我们看到随着血压的升高,风险也在增加。原创 2022-09-14 11:13:01 · 487 阅读 · 0 评论 -
深度学习用于疾病预后-第二课第一周第4-7节 医学预后案例欣赏+作业解析
第二课第一周第4-7节 医学预后案例欣赏+作业解析。原创 2022-08-09 14:56:08 · 730 阅读 · 0 评论 -
深度学习用于疾病预后-第二课第一周3-4节-什么是预后?
什么是预后?我们首先要讨论什么是预后,以及为什么预后在医疗实践中很重要。预后是一个医学术语,指预测未来事件的风险。在这里,事件是一个通用术语,它描述了可能发生在个人身上的各种事情。事件可能包括诸如死亡和其他不良事件(如心脏病发作或中风)等结果,这可能是具有特定医疗条件的患者或普通人群的风险。由于各种原因,判断预后是一项临床有用的任务。首先,预后有助于告知患者发生疾病的风险。例如,有血液测试用于估计患乳腺癌和卵巢癌的风险。第二,预后也有助于告知患者他们在某种疾病下能存活多久。这方面的一个例子是癌症原创 2021-08-13 15:43:37 · 986 阅读 · 0 评论 -
深度学习用于疾病预后-第二课第一周2节-做医学预后,你需要掌握什么?
我想谈谈这门课的要求。本课程的设计重点在于为你提供概念和实用工具。你需要成功地为医学建立机器学习模型。对于这门课程,你不需要任何深入学习方法的背景知识,也不需要任何医学背景。不过,在你上这门课之前,我建议你先满足三个先决条件。首先,本课程假设你了解机器学习的基础知识。例如,您应该了解监督学习的基本知识,并将数据拆分为培训、验证和测试集。你应该知道什么是线性和逻辑回归模型。第二,能够用Python编写代码。因为您将使用Python来处理数据、构建模型和解释分配中的结果。第三,你应该知道什么是条件概率。原创 2021-08-13 15:13:01 · 273 阅读 · 0 评论 -
深度学习用于疾病预后-第二课第一周1节-AI用于医学预后简介
第二门课程集中于医学预后(medical prognosis)。预后是医学的一个分支,专门预测病人未来的健康状况。例如,根据病人的实验室结果,你能估计出未来5年内心脏病发作的风险吗?或是未来10年内死亡的风险?在本课程中,您还将练习使用结构化数据构建决策树和随机森林。机器学习是预测预后的有力工具,通过使用多种不同类型的医疗数据来准确预测患者未来的健康状况,可以极大地推动医学这一分支的发展。任务安排第一周 预后案例欣赏我们会看到多个预后任务的例子,包括一些使用风险计算的预后是常规临床实践的一原创 2021-08-13 15:00:58 · 504 阅读 · 0 评论 -
深度学习用于疾病诊断-第一课第三周大作业-- MRI 脑肿瘤自动分割教程
文章目录2.1 MRI data2.2 探索数据分别按横断位、冠状位、矢状位显示图像,并且把标签显示在图像上我们还编写了一个实用函数,该函数生成一个GIF,显示在每个轴上迭代的效果2.4 使用 patch 进行数据预处理标准化3D U-Net4.1 骰子相似系数4.2 soft dice loss5 创建模型5.1 训练6 评估作业文件吴恩达-医学图像AI 专项课程-作业/第一课/第一课大作业/week3seg/C1M3_Assignmentlast.ipynb欢迎来到“医学人工智能”课程 1 的原创 2021-08-01 22:04:42 · 2439 阅读 · 17 评论 -
深度学习用于疾病诊断-第一课第三周7-10节-AI算法这么棒,为什么我们周围的医院没有使用这些系统?
既然您已经了解了医学成像的分类和分割模型,并且您已经在前面构建了您的胸部x射线分类模型,那么您可能会想知道为什么我们周围的医院或诊所没有使用这些系统。在本课中,您将了解一些挑战和机会,使这些系统成为常规医疗实践的一部分。泛化能力在临床应用人工智能算法的主要挑战之一是实现可靠的泛化。由于各种各样的原因,归纳起来很困难。让我们看一个例子。假设我们根据美国的数据开发了胸部x光模型,我们想把它应用到另一个国家的医院,比如印度。在印度,病人可能会有x光片,看起来与模型所训练的不一样。举一个非常具体的例子,原创 2021-08-01 18:45:27 · 416 阅读 · 0 评论 -
深度学习用于疾病诊断-第一课第三周5-6节-数据增强以及dice损失函数
既然我们已经讨论了分割体系结构,那么让我们来讨论一种可以应用于这种模型训练的技术,即数据扩充(数据增强 data augumentation)。我们在前面学过,我们可以对输入胸部X光片的变换,这样每个例子的分类标签都是一样的。现在让我们看看如何将相同的原则应用于分割,但有几个关键的区别。分割过程中数据扩充的一个关键区别是我们把图像旋转了,同时标签也得跟着转,保证对齐。所以当我们将输入图像旋转90度以产生变换后的输入。我们还需要将标签旋转90度以获得变换后的标签。第二个区别是,我们现在有了三维体原创 2021-08-01 18:02:22 · 826 阅读 · 0 评论 -
深度学习用于疾病诊断-第一课第三周3-4节--2D和3D分割的优缺点以及如何构建UNet模型
既然我们已经了解了如何表示 MRI 数据,那么让我们来看看脑肿瘤分割的任务。分割是定义各种组织边界的过程。在这种情况下,我们试图确定肿瘤的边界。我们也可以把分割看作是分类三维体中每个点的类别的任务。二维空间中的这些点称为像素,三维空间中的这些点称为体素。让我们讨论两种利用 MRI 数据进行分割的方法。第一种是二维方法在2D方法中,我们将构建的 3D MRI 体积分解成许多 2D slice(切片)。这些切片中的每一个都被传递到分割模型中,该模型输出该切片的分割结果。每一个切片都以这种方式原创 2021-08-01 16:29:23 · 4341 阅读 · 0 评论 -
深度学习用于疾病诊断-第一课第三周1-2节-了解医学图像分割以及探索 MRI 数据格式以及作业解读
本周将学习图像分割,图像分割在许多医学影像应用中起着至关重要的作用,例如组织大小的量化、疾病的定位和治疗计划。我们将重温您在过去两周学到的一些相同的想法,看看它们是如何扩展到图像分割的。在本课中,我们将学习 MRI 数据和肿瘤分割。了解MRI数据,对于指导我们如何在下一课中为构建分割模型和思考如何表示数据非常重要。正如你很快就会看到的,使用3D医疗数据提供了一些重大挑战,你将学习一些创造性的想法来应对这些挑战。文章目录MRI 数据作业解读1 加载 nii.gz 数据2 提取数据为numpy arra原创 2021-07-31 20:31:01 · 2104 阅读 · 0 评论 -
【收藏】深度学习用于疾病诊断-第一课第二周作业-学会计算分类各种指标-超详细教程
本次作业文件:在第一课/第一课大作业/week2metric这节课不需要对模型进行预测,所有的预测结果已经在csv文件中给出。作为提醒,我们的数据集包含14种不同情况的X射线,可通过X射线诊断。我们将使用我们在这一周中学习的分类指标来评估我们模型的表现。作业目录PackagesOverviewMetrics3.1 True Positives, False Positives, True Negatives, and False Negatives3.2 Accuracy3.3 Pr原创 2021-07-31 19:07:18 · 876 阅读 · 0 评论 -
深度学习用于疾病诊断-第一课第二周8-10节-什么是置信区间,有什么作用
在这节课中,我们将了解评估医学模型的另一个非常重要的方面,即报告我们的评估中的可变性。我们将研究如何使用置信区间来显示这种可变性。假设一家医院有5万名病人,我们想知道我们的胸部x光模型对每个人的准确性。如果我们能够运行这个模型并得到所有患者的ground truth,我们就能够得到模型在整个人群中的表现。例如,假设我们以准确度为评估指标,当然也可能是任何其他指标。我们假设该模型在5万例患者中的准确度为0.78。这就是所谓的总体准确度。BUT,我们根本不可能在所有人身上测试这个模型。因此,总体精度原创 2021-07-31 19:12:48 · 1448 阅读 · 0 评论 -
深度学习用于疾病诊断-第一课第二周1-7节总结-医学深度学习模型的评估汇总
医学深度学习模型的评估汇总本周我们将深入探讨医学深度学习模型的评估。在医学上,由于决策具有很高的影响力,我们关心的是准确地了解模型何时对患者起作用,什么时候不起作用。您将学习一下指标,包括:敏感性(sensitivity)、特异性(specificity)、预测值(predictive values)和ROC曲线。这些是评估医疗环境中模型的 关键因素。在这节课中,我们首先讨论度量的准确性。从准确度的角度来看,我们将了解如何在医学评估中得出核心概念的敏感性和特异性。在本课的第二部分,我们将讨论预测值,原创 2021-07-31 19:11:22 · 1064 阅读 · 0 评论 -
深度学习用于疾病诊断-第一课第一周大作业-胸部14种疾病分类-代码详解
深度学习胸部 X 射线诊断本次作业文件:在第一课/第一课大作业/week1classification欢迎来到课程 1 的第一个作业!在这个任务中!您将通过使用 Keras 构建最先进的胸部 X 射线分类器来探索医学图像诊断。你将学会一下内容:预处理真实世界的 X 射线数据集使用迁移学习重新训练 DenseNet 模型以进行 X 射线图像分类学习一种处理类别不平衡的技术通过计算 ROC 曲线的 AUC(曲线下面积)来衡量诊断性能使用 GradCAM 可视化模型激活区域作业目录原创 2021-07-30 16:43:52 · 1321 阅读 · 6 评论 -
医学图像人工智能专项课程-深度学习用于疾病诊断-第一课第一周19-20节
让我们回顾一下上一节提出的医学图像创建数据集的三个挑战第一个挑战涉及到我们如何使这些测试集独立第二个挑战涉及我们如何对它们进行采样第三个挑战涉及我们如何设置 ground truth让我们来讨论第二个挑战: 集合抽样。sampling假设我们从数据集中抽取了一个测试集。有时,测试集的大小只是整个数据集的一小部分,比如10%。其他时候,在人类比较研究中,由于测试集需要由人类注释,所以测试集大小的瓶颈是期望多少个示例?通常,测试集至少包含数百个医学人工智能研究的例子。对测试集进行采样的挑战原创 2021-07-21 09:13:04 · 377 阅读 · 1 评论 -
医学图像人工智能专项课程-深度学习用于疾病诊断-第一课第一周16-18节-如何确保数据集病人不重叠+作业解说
模型测试既然你已经了解了如何训练医学诊断模型,那么让我们来谈谈如何测试这样的模型。接下来你会学习如何测试这样的一个模型。您将学习如何正确使用训练、验证和测试集。以及为了评估你的模型需要强大的ground truth。当我们在做机器学习时,数据集通常将其分成训练集和测试集。训练集: 用于开发和选择模型。在实际应用中,训练集被进一步分割为训练集和验证集。训练集用于学习模型,验证集用于超参数调整。测试集: 用于最终报告我们的结果有时,为了减少模型性能估计中的可变性,可以多次使用称为交叉验证的方法原创 2021-07-20 09:08:33 · 719 阅读 · 4 评论 -
医学图像人工智能专项课程-深度学习用于疾病诊断-第一课第一周13-15节-迁移学习+数据增强
回顾一下医学图像深度学习面临的三个挑战三个挑战我们将讨论医学图像训练算法的三个关键挑战:类不平衡挑战、多任务挑战和数据集大小挑战。对于每一个挑战,我们将介绍一到两种应对方法。类别不平衡:可以使用加权的 loss weighted loss, 或者是均衡采样(resampling)多任务: 多标签loss数据集大小: 迁移学习 + 数据增强类别不平衡和多任务挑战已经详细描述过了。让我们看看第三个挑战,即数据集大小挑战。对于许多医学成像问题,选择的结构是卷积神经网络,也称为ConvNet或CN原创 2021-07-16 09:00:21 · 822 阅读 · 4 评论 -
医学图像人工智能专项课程-深度学习用于疾病诊断-第一课第一周12-13节 多任挑战总结
前面我们已经学习了如何处理类别不平衡。这节课我们来探讨第二个挑战-多任务挑战目前为止,我们已经研究了二分类,我们关心的是一个例子是否是有 mass 疾病。然而,在现实世界中,我们关心的是对许多此类疾病的存在与否进行分类。现在,一个简单的方法是让每个模型学习分别学习这些任务中的一个。即A模型学习是否有肺炎,B 模型学习是否有气胸等。当然,我们可以学习使用一个模型来完成所有的任务。即多任务学习。这样做的一个好处是,我们可以学习识别多种疾病的共同特征,从而使我们能够更有效地利用现有数据。这是多任务学习的原创 2021-07-15 09:20:47 · 277 阅读 · 2 评论 -
医学图像人工智能专项课程-深度学习用于疾病诊断-第一课第一周11节总结
回顾一下医学图像深度学习面临的三个挑战三个挑战我们将讨论医学图像训练算法的三个关键挑战:类不平衡挑战、多任务挑战和数据集大小挑战。对于每一个挑战,我们将介绍一到两种应对方法。类别不平衡:可以使用加权的 loss weighted loss, 或者是均衡采样(resampling)多任务: 多标签loss数据集大小: 迁移学习 + 数据增强在上一次课程中,我们使用加权损失函数来减少类不平衡带来的影响。今天这节课我们通过另一种方式来实现。即通过重采样来实现类平衡。通过重采样来实现类平衡这里的原创 2021-07-14 18:12:02 · 342 阅读 · 2 评论 -
医学图像人工智能专项课程-深度学习用于疾病诊断-第一课第一周6-10节总结+作业解读
现在,您已经了解了深度学习在医学图像分类问题上的一些前沿应用。我们将介绍如何为使用胸部X光片检测多个疾病的医学成像任务构建自己的深度学习模型。我们将介绍一个胸部X光解释模型的训练过程,并看看在这个过程中你将面临的关键挑战,以及你如何成功地应对这些挑战。我们先来看看胸部X光片的判读任务。胸部X光片是医学上最常见的诊断成像方法之一,大约一年有20亿个胸部X光片。胸部X光检查对于发现许多疾病至关重要,包括肺炎和肺癌,这些疾病每年影响着全世界数百万人。现在,一位接受过胸部X光片解释训练的放射科医生会查看胸原创 2021-07-13 10:25:31 · 884 阅读 · 2 评论 -
医学图像人工智能专项课程-深度学习用于疾病诊断-第一课第一周4-5节总结
4-5节主要是例举了三个深度学习医学诊断案例。本周,我们将直接进入建立一个深度学习模型的任务胸部x光分类。通过这个例子,您将学到的许多想法在许多医学成像测试中都有广泛的应用。本周,我们将从三个医学诊断任务的例子开始,在这些任务中,深度学习取得了令人难以置信的成绩。然后我们将进入为医学影像构建人工智能模型的训练过程。最后,我们将研究在实际数据上评估这些模型性能的测试过程。检测皮肤组织是否癌变。皮肤科是研究皮肤的医学分支。皮肤科医生的任务之一是观察皮肤的可疑区域,以确定痣是否是皮肤癌。早期发现可原创 2021-07-12 09:47:48 · 835 阅读 · 4 评论