دانلود ترجمه مقاله یادگیری عمیق در تصویر برداری پزشکی با تمرکز بر MRI

1. مقدمه 2. یادگیری ماشینی، شبکه های عصبی مصنوعی، یادگیری عمیق 3. یادگیری عمیق، تصویر برداری پزشکی و MRI 4. موضوعات باز و تحقیقات تجربی در زمینه یادگیری ماشینی برای تصویر برداری پزشکی 5. چالش ها، محدودیت ها و چشم اندازهای آتی

اخیراً چه اتفاقی در یادگیری ماشینی رخ داده است و برای آینده تحلیل تصویر پزشکی چه معنایی دارد؟ یادگیری ماشینی شاهد توجه هنگفتی در چند سال اخیر بوده است. این ازدیاد سریع فعلی در حدود سال 2009 رخ داد هنگامی که به اصطلاح، شبکه های عصبی مصنوعی عمیق شروع به عملکرد بهتر نسبت به مدل های جا افتاده دیگر در تعدادی از معیارهای مهم کردند. شبکه های عصبی عمیق کنونی، مدل های یادگیری ماشینی مدرن در یک سری از زمینه ها از تحلیل تصویر تا پردازش زبان طبیعی، مورد استفاده قرار گرفته اند و به میزان گسترده ای در دانشگاه و صنعت کاربرد داشته است. این پیشرفت ها، پتانسیل هنگفتی برای فنآوری تصویربرداری پزشکی، تحلیل داده پزشکی، تشخیص بیماری پزشکی و بطور کلی مراقبت سلامت داشته است که این امر با سرعت کم محقق شده است. ما یک مرور کلی خلاصه از پیشرفت های اخیر و تعدادی چالش مرتبط در یادگیری ماشینی بکار گرفته شده برای پردازش تصویر پزشکی و تحلیل تصویر، ارائه می دهیم. از آنجا که این موضوع به یک موضوع بسیار گسترده و سریعاً در حال توسعه تبدیل شده است، ما کل حیطه کاربردها را پوشش نمی دهیم، بلکه توجهی خاص بر یادگیری عمیق در MRI می کنیم. ما سه هدف داریم: (1) ارائه یک مقدمه مختصر در مورد یادگیری عمیق با اشاره به مرجع های اصلی (2) اشاره به اینکه چگونه یادگیری عمیق برای کل زنجیره پردازش MRI از اکتساب تا بازیابی تصویر، از بخش بندی تا پیش بینی بیماری، بکار گرفته شده است، و (3) ارائه یک نقطه آغازین برای افراد علاقمند به تجربه اندوزی و شاید مشارکت در زمینه یادگیری عمیق برای تصویر برداری پزشکی با اشاره به منابع آموزشی خوب، کد منبع باز پیشرفته و منابع جالب داده ها و مسائل مرتبط با تصویربرداری پزشکی.

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.

ترجمه این مقاله در 38 صفحه آماده شده و در ادامه نیز صفحه 17 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.