Deep Learning 和 Machine Learning 在生物醫學工程方面將會有哪些應用?

未來10年,兩者在生醫的研究前景如何?(側重於學術方面)


碩士研究生在讀,目前在做的是基於機器學習的計算機輔助診斷。

就碩士期間對醫學圖像計算領域的了解來看,Deep Learning 和 Machine Learning 在醫學圖像處理領域的應用我所了解的有以下幾個方向:
1. 醫學圖像分割/目標檢測,利用Deep Learning分類方面的優勢,進行醫學圖像的分割,目前來說,利用Random Forest 和 CNN ,對各種組織的分割,精度已經能夠超過專家的手工分割結果了。學術界,對腦組織、軟骨、腫瘤等常見組織分割的研究已經非常普遍了;工業界,對肺結節的分割、檢測的相關應用已經投入實際使用。
2.醫學圖像配准,傳統的配准技術包括其與傳統機器學習的結合已經比較成熟,deep learning 熱門後,已經有了利用deep learning 實現組配準的研究成果。
3. 計算機輔助診斷,基於機器學習的計算機輔助診斷,將圖像或其他臨床數據中與診斷有關的特徵提取出來,結合臨床上的先驗知識,能得到十分精確的診斷或預測結果,能在很大程度上減小醫生的工作量,並作為醫生的參考建議。
4. 圖像重建/生成,高解析度到低解析度重建,如MRI到CT,避免電離輻射;MRI,CT到PET,減少成像成本;低解析度到高解析度,1.5T或3T的MRI生成3T或7TMRI,彌補各種插值方案的缺陷。
5. 動作捕捉/關節重建,例如 Kinect,從人的深度圖像和紅外圖像彩色圖像之類的重建出各個關節節點,進而追蹤人體的動作,可以用於康復治療中醫生的輔助診斷。事實上Kinect中重建人體的關節也是基於Machine Learing的。

這些都是以實驗室師兄師姐的科研工作為依據的,如果需要了解更多,請私信諮詢。

——————更新——————

在這個問題下另一位答主提到了更多的應用方向,請感興趣的朋友移步 @郭亨凱的回答。謝謝。


補充一下 @溫暖的逗比 的答案,目前DL和ML在BME中還有一個用的比較多的領域是在生物電信號方向,比如腦電(EEG)中的腦機介面(HCI)、心電(ECG),包括信號分類、回歸、特徵點檢測、去噪等。


個人滿看好的,人腦也可以看成模型,大醫院見多識廣醫生模型預測性能好,某些地方醫生混日子數據量又少診斷效能不堪入目。醫院的數據是海量的,前途光明啊


比起基於圖片和語言處理的技術,我更傾向看好一些完全新型類型的數據,尤其是目前的高通量測序數據,這些可能能帶給人類以前完全沒有過的認知。

目前就在做一個題目:某種遺傳相關疾病,有大概一半人接受治療之後,沒有任何改善,卻要每天打針,很痛苦,我們希望通過GWAS等測試,來預測病人的預後。這類問題是目前醫生已有經驗不具備的,會大大擴展對疾病診斷的認知水平


就圖像領域,如果是分類問題的話,我已經看過用CNN做醫學圖像的分類和分割的文章了。也無非就是換個資料庫,加點小改動而已。

其它的不了解。


Machine Learning對於圖像分類的處理能力在生物學中應該很容易得到運用,就比如說判斷熒游標記,判斷腦部圖像。我是學機器學習的對生物不是特別了解。


推薦閱讀:

在MRI里,長1短T2之類的,還有永磁性之類的是什麼,完全沒學懂?
iPad Pro發布會上演示的解剖軟體是什麼?
X線攝影中CR,DR的區別?
從醫學影像技術轉到醫學影像學是否有價值?

TAG:圖像處理 | 機器學習 | 生物醫學工程 | 醫學影像 | 深度學習DeepLearning |