view in publisher's site

An overview of deep learning in medical imaging focusing on MRI

What has happened in machine learning lately, and what does it mean for the future of medical image analysis? Machine learning has witnessed a tremendous amount of attention over the last few years. The current boom started around 2009 when so-called deep artificial neural networks began outperforming other established models on a number of important benchmarks. Deep neural networks are now the state-of-the-art machine learning models across a variety of areas, from image analysis to natural language processing, and widely deployed in academia and industry. These developments have a huge potential for medical imaging technology, medical data analysis, medical diagnostics and healthcare in general, slowly being realized. We provide a short overview of recent advances and some associated challenges in machine learning applied to medical image processing and image analysis. As this has become a very broad and fast expanding field we will not survey the entire landscape of applications, but put particular focus on deep learning in MRI.Our aim is threefold: (i) give a brief introduction to deep learning with pointers to core references; (ii) indicate how deep learning has been applied to the entire MRI processing chain, from acquisition to image retrieval, from segmentation to disease prediction; (iii) provide a starting point for people interested in experimenting and perhaps contributing to the field of deep learning for medical imaging by pointing out good educational resources, state-of-the-art open-source code, and interesting sources of data and problems related medical imaging.

مروری بر یادگیری عمیق در تصویربرداری پزشکی بر روی MRI

اخیرا چه اتفاقی در یادگیری ماشین رخ داده‌است، و معنی آن برای آینده آنالیز تصویر پزشکی چیست؟ در چند سال گذشته، یادگیری ماشین شاهد مقدار زیادی از توجه بوده‌است. جهش فعلی در حدود سال ۲۰۰۹ زمانی آغاز شد که به اصطلاح "شبکه‌های عصبی مصنوعی عمیق" شروع به ایجاد مدل‌های دیگر در تعدادی از معیارهای مهم کردند. شبکه‌های عصبی عمیق در حال حاضر مدل‌های یادگیری ماشین - هنر در سراسر مناطق مختلف، از آنالیز تصویری تا پردازش زبان طبیعی، و به طور گسترده در علوم و صنعت کاربرد دارند. این تحولات پتانسیل عظیمی برای فن‌آوری تصویربرداری پزشکی، تحلیل داده‌های پزشکی، تشخیص پزشکی و مراقبت‌های بهداشتی به طور کلی و به کندی تحقق یافته‌است. ما یک مرور کوتاه از پیشرفت‌های اخیر و برخی چالش‌های مرتبط در یادگیری ماشینی که به پردازش تصویر پزشکی و آنالیز تصویر اعمال شده‌است را ارایه می‌دهیم. به عنوان یک نقطه شروع برای یادگیری عمیق با اشاره به منابع اصلی (۲)ارائه یک نقطه شروع برای افراد علاقه‌مند به آزمایش و شاید کمک به حوزه یادگیری عمیق برای تصویربرداری پزشکی با اشاره به منابع آموزشی خوب، کد منبع باز، و منابع جالب داده‌ها و مشکلات مربوط به تصویربرداری پزشکی ارایه می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Radiology Nuclear Medicine and imaging
  • ترجمه مقاله Radiology Nuclear Medicine and imaging
  • مقاله رادیولوژی و تصویربرداری تشعشعی هسته‌ای
  • ترجمه مقاله رادیولوژی و تصویربرداری تشعشعی هسته‌ای
  • مقاله Radiological and Ultrasound Technology
  • ترجمه مقاله Radiological and Ultrasound Technology
  • مقاله تکنولوژی تشعشعی و فراصوت
  • ترجمه مقاله تکنولوژی تشعشعی و فراصوت
  • مقاله Biophysics
  • ترجمه مقاله Biophysics
  • مقاله بیوفیزیک
  • ترجمه مقاله بیوفیزیک
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.