为什么医学成像是深度学习的下一个前沿

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。即使图像背景在视觉上易混淆或对比度不佳，定位工具也能够识别感兴趣区域，比如某种器官。缺陷检测工具可基于一组培训图像创建器官正常外观以及特定类型异常的参考模型，确保将偏离目标区域正常生理学特征的任何异常标记为缺陷。

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。定位工具可通过学习特定器官的区别性特征来定位该器官。要对定位工具进行培训，您只需提供标记有目标特征的图像即可。跟康耐视深度学习缺陷检测工具一样，基于深度学习的缺陷检测和分割工具也同样可以帮助识别医学影像中的异常。缺陷检测工具可基于一组样本图像创建器官正常外观以及特定类型异常的参考模型。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：康耐视专为生命科学应用设计的深度学习软件。

Jorg Vandenhirtz