Сверточные нейронные сети: обзор и применение в радиологии
Convolutional neural networks: an overview and application in radiology
2018-06-22
SCID: 54.1/beew2ump
Discuss with AI
сверточная нейронная сеть (CNN)слои сверткиполносвязные слоислои пулингаприменение в радиологии
Figures from the paper
Abstract (AI)
Сверточная нейронная сеть (CNN), класс искусственных нейронных сетей, который стал доминирующим в различных задачах компьютерного зрения, вызывает интерес в различных областях, включая радиологию. CNN спроектированы для автоматического и адаптивного изучения пространственной иерархии признаков с помощью обратного распространения ошибки, используя несколько строительных блоков, таких как сверточные слои, слои подвыборки (пулинг) и полносвязные слои. В этом обзорном статье дается обзор основных концепций CNN и их применения в различных радиологических задачах, обсуждаются проблемы и направления развития в области радиологии. Также рассматриваются две проблемы применения CNN в радиологии — малые наборы данных и переобучение — а также методы их минимизации. Знание концепций, преимуществ и ограничений CNN важно для использования их потенциала в диагностической радиологии с целью повышения эффективности работы радиологов и улучшения ухода за пациентами. Ключевые моменты: • Сверточные нейронные сети — это класс методов глубокого обучения, которые стали доминирующими в различных задачах компьютерного зрения и вызывают интерес в разных областях, включая радиологию. • Сверточные нейронные сети состоят из нескольких строительных блоков, таких как сверточные слои, слои пулинга и полносвязные слои, и предназначены для автоматического и адаптивного изучения пространственной иерархии признаков с помощью алгоритма обратного распространения ошибки. • Знание концепций, преимуществ и ограничений сверточных нейронных сетей необходимо для использования их потенциала в повышении эффективности работы радиологов и, в конечном счете, качества ухода за пациентами.
Key Findings
1
При применении CNN в радиологии возникают ключевые проблемы: небольшие объёмы данных и переобучение; в статье обсуждаются приёмы для их минимизации.
2
Сверточные нейронные сети (CNN) являются доминирующим классом методов глубокого обучения в компьютерном зрении и всё чаще применяются в радиологии.
3
CNN автоматически и адаптивно обучают пространственные иерархии признаков с помощью слоёв свёртки, пулинга и полносвязных слоёв, обучаемых методом обратного распространения ошибки.
4
Понимание концепций, преимуществ и ограничений CNN необходимо для повышения эффективности радиологов и улучшения ухода за пациентами.
Research Object
Сверточные нейронные сети (CNN), применённые в радиологии
Research Subject
Концепции и архитектуры CNN, возникающие проблемы (например, малые наборы данных, переобучение), методы их смягчения и применение CNN в радиологических задачах, направленные на повышение эффективности работы рентгенологов и качества ухода за пациентами
Publication Details
Publication Date
2018-06-22
Journal
Publisher
ISSN
Cited by
4680
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Глубокое остаточное обучение для распознавания изображений2016
Очень глубокие сверточные сети для масштабного распознавания изображений2014
Интригующие свойства нейронных сетей2013
Труды 24-й Международной конференции по машинному обучению2007
Обучение глубоких признаков для дискриминативной локализации2016
Улучшение нейронных сетей путем предотвращения соадаптации детекторов признаков2012
Работы, цитирующие эту статью10
Обзор глубокого обучения в медицинской визуализации с акцентом на МРТ2018
Всесторонний обзор применения искусственных нейронных сетей для распознавания образов2019
Применение искусственного интеллекта к медицинским изображениям: от машинного обучения до глубокого обучения2021
Сигнальные пути, участвующие в развитии колоректального рака: патогенез и таргетная терапия2024
Методы машинного обучения для решения задач, связанных с малыми объемами данных в молекулярной науке2023
Распознавание эмоций человека на основе интерфейсов мозг–компьютер с использованием ЭЭГ и машинного обучения: всесторонний обзор2022
Модель «зрение‑язык» для генерации медицинских отчётов и визуального ответа на вопросы: обзор2024
Искусственный интеллект и нейронаука: трансформирующее взаимодействие в исследовании мозга и клинических приложениях2025
Сколько стоит вид из окна? Гедоническая модель ценообразования на рынке недвижимости на основе машинного обучения2022
Геодизайн в эпоху искусственного интеллекта2025