康耐视博客

为什么医学成像是深度学习的下一个前沿

Deep learning Large

传统上,包括放射 X 射线、超声波和 NMR 在内的医学成像需要人眼的灵活性才能检测异常。计算机很容易受到噪音背景和影像质量问题的干扰,例如镜面眩光。这使得传统计算机视觉算法难以精确地定位对象或感兴趣的区域,特别是识别非结构化场景中的异常。自动化系统几乎无法在忽略不相关特征的同时成功识别感兴趣区域,而且非常耗时。

但是现在,深度学习式图像分析可以可靠且重复和稳定地自动搜索生物异常。因此这改变了现在的’放射科医生的角色,他们现在可以利用计算机辅助诊断 (CAD) 进行医学成像。无论是寻找特定的异常(例如肿瘤)还是偏离身体正常外观的地方,’Cognex Deep Learning 都能将人工检查员眼睛的灵活性与计算机化系统的速度和稳健性结合。’两个专用工具可以为这一流程提供辅助。ViDi Blue-Locate 工具定位感兴趣区域,例如特定器官,即使背景在视觉上容易混淆或对比度差。ViDi Red-Analyze 工具使用一系列训练图像形成器官’正常外观以及特定类型异常的参考模型,然后即可将与目标区域正常生理不同的异常标记为缺陷。

例如使用深度学习工具定位和识别 x 射线中的器官或植入体即是这方面的伟大应用。康耐视 ViDi Blue-Locate 工具可以通过学习器官的独特特征来定位特定的器官。要训练 Blue-Locate 工具,您只需提供标记了目标特征的图像。与此类似,深度学习式缺陷检测和分割工具(例如 ViDi Red-Analyze)也可以帮助识别医学影像中的异常。ViDi Red-Analyze 可根据一组样本图像形’成正常外观器官和特定异常的参考模型。目标区域中与正常生理学不一致的任何异常都会被标记出来,然后由专业放射科医师进行 CAD 计算机辅助诊断。

要了解医学成像领域激动人心的新深度学习应用,请下载免费指南:VisionPro ViDi:生命科学中的深度学习解决方案

相关博客:

获得更多产品支持与培训

加入MYCOGNEX

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

联系我们
Loading...