亚洲变态另类av首页_亚洲国产综合在线一_正在播放极品白嫩一线天_女生麻豆av在线


首頁
產(chǎn)品系列
行業(yè)應(yīng)用
渠道合作
新聞中心
研究院
投資者關(guān)系
技術(shù)支持
關(guān)于創(chuàng)澤
| En
 
  當(dāng)前位置:首頁 > 新聞資訊 > 機器人開發(fā) > 深度學(xué)習(xí)在術(shù)前手術(shù)規(guī)劃中的應(yīng)用  
 

深度學(xué)習(xí)在術(shù)前手術(shù)規(guī)劃中的應(yīng)用

來源:--      編輯:創(chuàng)澤      時間:2020/5/6      主題:其他   [加盟]

外科手術(shù)的進步對急性和慢性疾病的管理,延長壽命和不斷擴大生存范圍都產(chǎn)生了重大影響。如圖1所示,這些進步得益于診斷,成像和外科器械的持續(xù)技術(shù)發(fā)展。這些技術(shù)中,深度學(xué)習(xí)對推動術(shù)前手術(shù)規(guī)劃尤其重要。手術(shù)規(guī)劃中要根據(jù)現(xiàn)有的醫(yī)療記錄來計劃手術(shù)程序,而成像對于手術(shù)的成功至關(guān)重要。在現(xiàn)有的成像方式中,X射線,CT,超聲和MRI是實際中最常用的方式;卺t(yī)學(xué)成像的常規(guī)任務(wù)包括解剖學(xué)分類,檢測,分割和配準(zhǔn)。

圖1:概述了流行的AI技術(shù),以及在術(shù)前規(guī)劃,術(shù)中指導(dǎo)和外科手術(shù)機器人學(xué)中使用的AI的關(guān)鍵要求,挑戰(zhàn)和子區(qū)域。

1、分類

分類輸出輸入的診斷值,該輸入是單個或一組醫(yī)學(xué)圖像或器官或病變體圖像。除了傳統(tǒng)的機器學(xué)習(xí)和圖像分析技術(shù),基于深度學(xué)習(xí)的方法正在興起[1]。對于后者,用于分類的網(wǎng)絡(luò)架構(gòu)由用于從輸入層提取信息的卷積層和用于回歸診斷值的完全連接層組成。

例如,有人提出了使用GoogleInception和ResNet架構(gòu)的分類管道來細分肺癌,膀胱癌和乳腺癌的類型[2]。Chilamkurthy等證明深度學(xué)習(xí)可以識別顱內(nèi)出血,顱骨骨折,中線移位和頭部CT掃描的質(zhì)量效應(yīng)[3]。與標(biāo)準(zhǔn)的臨床工具相比,可通過循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)實時預(yù)測心臟外科手術(shù)后患者的死亡率,腎衰竭和術(shù)后出血[4]。ResNet-50和Darknet-19已被用于對超聲圖像中的良性或惡性病變進行分類,顯示出相似的靈敏度和更高的特異性[5]。

2、檢測

檢測通常以邊界框或界標(biāo)的形式提供感興趣區(qū)域的空間定位,并且還可以包括圖像或區(qū)域級別的分類。同樣,基于深度學(xué)習(xí)的方法在檢測各種異;蜥t(yī)學(xué)狀況方面也顯示出了希望。用于檢測的DCNN通常由用于特征提取的卷積層和用于確定邊界框?qū)傩缘幕貧w層組成。

為了從4D正電子發(fā)射斷層掃描(PET)圖像中檢測前列腺癌,對深度堆疊的卷積自動編碼器進行了訓(xùn)練,以提取統(tǒng)計和動力學(xué)生物學(xué)特征[6]。對于肺結(jié)節(jié)的檢測,提出了具有旋轉(zhuǎn)翻譯組卷積(3D G-CNN)的3D CNN,具有良好的準(zhǔn)確性,靈敏度和收斂速度[7]。對于乳腺病變的檢測,基于深度Q網(wǎng)絡(luò)擴展的深度強化學(xué)習(xí)(DRL)用于從動態(tài)對比增強MRI中學(xué)習(xí)搜索策略[8]。為了從CT掃描中檢測出急性顱內(nèi)出血并改善網(wǎng)絡(luò)的可解釋性,Lee等人[9]使用注意力圖和迭代過程來模仿放射科醫(yī)生的工作流程。

3、分割

分割可被視為像素級或體素級圖像分類問題。由于早期作品中計算資源的限制,每個圖像或卷積都被劃分為小窗口,并且訓(xùn)練了CNN來預(yù)測窗口中心位置的目標(biāo)標(biāo)簽。通過在密集采樣的圖像窗口上運行CNN分類器,可以實現(xiàn)圖像或體素分割。例如,Deepmedic對MRI的多模式腦腫瘤分割顯示出良好的性能[10]。但是,基于滑動窗口的方法效率低下,因為在許多窗口重疊的區(qū)域中會重復(fù)計算網(wǎng)絡(luò)功能。由于這個原因,基于滑動窗口的方法最近被完全卷積網(wǎng)絡(luò)(FCN)取代[11]。關(guān)鍵思想是用卷積層和上采樣層替換分類網(wǎng)絡(luò)中的全連接層,這大大提高了分割效率。對于醫(yī)學(xué)圖像分割,諸如U-Net [12][13]之類的編碼器-解碼器網(wǎng)絡(luò)已顯示出令人鼓舞的性能。編碼器具有多個卷積和下采樣層,可提取不同比例的圖像特征。解碼器具有卷積和上采樣層,可恢復(fù)特征圖的空間分辨率,并最終實現(xiàn)像素或體素密集分割。在[14]中可以找到有關(guān)訓(xùn)練U-Net進行醫(yī)學(xué)圖像分割的不同歸一化方法的綜述。

對于內(nèi)窺鏡胰管和膽道手術(shù)中的導(dǎo)航,Gibson等人 [15]使用膨脹的卷積和融合的圖像特征在多個尺度上分割來自CT掃描的腹部器官。為了從MRI進行胎盤和胎兒大腦的交互式分割,將FCN與用戶定義的邊界框和涂鴉結(jié)合起來,其中FCN的最后幾層根據(jù)用戶輸入進行了微調(diào)[16]。手術(shù)器械界標(biāo)的分割和定位被建模為熱圖回歸模型,并且使用FCN幾乎實時地跟蹤器械[17]。對于肺結(jié)節(jié)分割,F(xiàn)eng等通過使用候選篩選方法從弱標(biāo)記的肺部CT中學(xué)習(xí)辨別區(qū)域來訓(xùn)練FCN,解決了需要精確的手動注釋的問題[18]。Bai等提出了一種自我監(jiān)督的學(xué)習(xí)策略,以有限的標(biāo)記訓(xùn)練數(shù)據(jù)來提高U-Net的心臟分割精度[19]。

4、配準(zhǔn)

配準(zhǔn)是兩個醫(yī)學(xué)圖像,體積或模態(tài)之間的空間對齊,這對于術(shù)前和術(shù)中規(guī)劃都特別重要。傳統(tǒng)算法通常迭代地計算參數(shù)轉(zhuǎn)換,即彈性,流體或B樣條曲線模型,以最小化兩個醫(yī)療輸入之間的給定度量(即均方誤差,歸一化互相關(guān)或互信息)。最近,深度回歸模型已被用來代替?zhèn)鹘y(tǒng)的耗時和基于優(yōu)化的注冊算法。

示例性的基于深度學(xué)習(xí)的配準(zhǔn)方法包括VoxelMorph,它通過利用基于CNN的結(jié)構(gòu)和輔助分割來將輸入圖像對映射到變形場,從而最大化標(biāo)準(zhǔn)圖像匹配目標(biāo)函數(shù)[20]。提出了一個用于3D醫(yī)學(xué)圖像配準(zhǔn)的端到端深度學(xué)習(xí)框架,該框架包括三個階段:仿射變換預(yù)測,動量計算和非參數(shù)細化,以結(jié)合仿射配準(zhǔn)和矢量動量參數(shù)化的固定速度場[21]。提出了一種用于多模式圖像配準(zhǔn)的弱監(jiān)督框架,該框架對具有較高級別對應(yīng)關(guān)系的圖像(即解剖標(biāo)簽)進行訓(xùn)練,而不是用于預(yù)測位移場的體素級別轉(zhuǎn)換[22]。每個馬爾科夫決策過程都由經(jīng)過擴張的FCN訓(xùn)練的代理商進行,以使3D體積與2D X射線圖像對齊[23]。RegNet是通過考慮多尺度背景而提出的,并在人工生成的位移矢量場(DVF)上進行了培訓(xùn),以實現(xiàn)非剛性配準(zhǔn)[24]。3D圖像配準(zhǔn)也可以公式化為策略學(xué)習(xí)過程,其中將3D原始圖像作為輸入,將下一個最佳動作(即向上或向下)作為輸出,并將CNN作為代理[25]。

參考文獻: 
[1]   G. Litjens, T. Kooi, B. E.Bejnordi, A. A. A. Setio, F. Ciompi, M. Ghafoorian, J. A. Van Der Laak, B. VanGinneken, and C. I. Sa′nchez, “A survey on deep learning in medical image analysis,” Medical Image Analysis, vol. 42, pp. 60–88, 2017.
[2]   P. Khosravi, E. Kazemi, M.Imielinski, O. Elemento, and I. Hajirasouliha, “Deep convolutional neural networks enable discrimination of heterogeneous digital pathology images,” EBioMedicine, vol. 27, pp. 317–328, 2018.
[3]   S. Chilamkurthy, R. Ghosh, S.Tanamala, M. Biviji, N. G. Campeau, V. K. Venugopal, V. Mahajan, P. Rao, and P.Warier, “Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study,” The Lancet, vol. 392, no. 10162, pp. 2388–2396,2018.
[4]   A. Meyer, D. Zverinski, B.Pfahringer, J. Kempfert, T. Kuehne, S. H. Su¨ndermann, C. Stamm, T. Hofmann, V.Falk, and C. Eickhoff, “Machine learning for real-time prediction of complications in critical care: a retrospective study,” The Lancet RespiratoryMedicine, vol. 6, no. 12, pp. 905–914, 2018.
[5]   X. Li, S. Zhang, Q. Zhang, X.Wei, Y. Pan, J. Zhao, X. Xin, C. Qin, X. Wang, J. Li et al., “Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multicohort, diagnostic study,” The LancetOncology, vol. 20, no. 2, pp. 193–201, 2019.
[6]   E. Rubinstein, M. Salhov, M.Nidam-Leshem, V. White, S. Golan, J. Baniel, H. Bernstine, D. Groshar, and A.Averbuch, “Unsupervised tumor detection in dynamic PET/CT imaging of the prostate,” Medical Image Analysis, vol. 55, pp. 27–40, 2019.
[7]   M. Winkels and T. S. Cohen,“Pulmonary nodule detection in CT scan with equivariant CNNs,” Medical image analysis, vol. 55, pp. 15–26, 2019.
[8]   G. Maicas, G. Carneiro, A. P.Bradley, J. C. Nascimento, and I. Reid,“Deep reinforcement learning for active breast lesion detection from DCE-MRI,” in Proceedings of International Conference on Medical image computing and Computer-Assisted Intervention (MICCAI). Springer, 2017, pp.665–673.
[9]   H. Lee, S. Yune, M. Mansouri,M. Kim, S. H. Tajmir, C. E. Guerrier, S. A. Ebert, S. R. Pomerantz, J. M.Romero, S. Kamalian et al., “An explainable deep-learning algorithm for the detection of acute intracranial hemorrhage from small datasets,” NatureBiomedical Engineering, vol. 3, no. 3, p. 173, 2019.
[10]K. Kamnitsas, C. Ledig, V. F.Newcombe, J. P. Simpson, A. D. Kane, D. K. Menon, D. Rueckert, and B. Glocker, “Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation,” Medical image analysis, vol. 36, pp. 61–78, 2017.
[11]J. Long, E. Shelhamer, and T.Darrell, “Fully convolutional networks for semantic segmentation,” in proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2015, pp. 3431–3440.
[12]O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional networks for biomedical image segmentation,” in Proceedings of International Conference on Medical Image Computing and computer-Assisted Intervention (MICCAI). Springer, 2015, pp. 234–241.
[13]O. C¸i¸cek, A. Abdulkadir, S.S. Lienkamp, T. Brox, and O. Ronneberger,¨ “3D U-Net: learning dense volumetric segmentation from sparse annotation,” in Proceedings of InternationalConference on Medical Image Computing and Computer-Assisted Intervention(MICCAI). Springer, 2016, pp. 424–432.
[14]X.-Y. Zhou and G.-Z. Yang,“Normalization in training U-Net for 2D biomedical semantic segmentation,” IEEERobotics and Automation Letters, vol. 4, no. 2, pp. 1792–1799, 2019.
[15]E. Gibson, F. Giganti, Y. Hu,E. Bonmati, S. Bandula, K. Gurusamy, B. Davidson, S. P. Pereira, M. J.Clarkson, and D. C. Barratt, “Automatic multi-organ segmentation on abdominal CT with dense networks,” IEEE Transactions on Medical Imaging, vol. 37, no. 8,pp.1822–1834, 2018.
[16]G. Wang, W. Li, M. A. Zuluaga,R. Pratt, P. A. Patel, M. Aertsen, T. Doel, A. L. David, J. Deprest, S.Ourselin et al., “Interactive medical image segmentation using deep learning with image-specific fine-tuning,” IEEE Transactions on Medical Imaging, vol.37, no. 7, pp. 1562–1573, 2018.
[17]I. Laina, N. Rieke, C.Rupprecht, J. P. Vizca′ıno, A. Eslami, F. Tombari, and N. Navab, “Concurrentsegmentation and localization for tracking of surgical instruments,” in Proceedings of International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI).Springer, 2017, pp. 664–672.
[18]X. Feng, J. Yang, A. F. Laine,and E. D. Angelini, “Discriminative localization in CNNs for weakly-supervised segmentation of pulmonary nodules,” in Proceedings of International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI). Springer, 2017,pp. 568–576.
[19]W. Bai, C. Chen, G. Tarroni,J. Duan, F. Guitton, S. E. Petersen, Y. Guo, P. M. Matthews, and D. Rueckert,“Self-supervised learning for cardiac MR image segmentation by anatomical position prediction,” in International Conference on Medical Image Computing and ComputerAssisted Intervention. Springer, 2019, pp. 541–549.
[20]G. Balakrishnan, A. Zhao, M.R. Sabuncu, J. Guttag, and A. V. Dalca, “VoxelMorph: a learning framework for deformable medical image registration,” IEEE Transactions on Medical Imaging,2019.
[21]Z. Shen, X. Han, Z. Xu, and M.Niethammer, “Networks for joint affine and non-parametric image registration,”in Proceedings of the IEEE Conference on Computer Vision and pattern recognition (CVPR), 2019, pp. 4224–4233.
[22]Y. Hu, M. Modat, E. Gibson, W.Li, N. Ghavami, E. Bonmati, G. Wang, S. Bandula, C. M. Moore, M. Emberton etal., “Weaklysupervised convolutional neural networks for multimodal image registration,” Medical Image Analysis, vol. 49, pp. 1–13, 2018.
[23]S. Miao, S. Piat, P. Fischer,A. Tuysuzoglu, P. Mewes, T. Mansi, and R. Liao, “Dilated FCN for multi-agent2D/3D medical image registration,” in Proceedings of AAAI Conference on artificial intelligence, 2018.
[24]H. Sokooti, B. de Vos, F.Berendsen, B. P. Lelieveldt, I. Iˇsgum, and M. Staring, “Nonrigid image registration using multi-scale 3D convolutional neural networks,” in Proceedings of International Conference on Medical Image Computing and computer-Assisted Intervention (MICCAI). Springer, 2017, pp. 232–239.
[25]R. Liao, S. Miao, P. deTournemire, S. Grbic, A. Kamen, T. Mansi, and D. Comaniciu, “An artificial agent for robust image registration,” in Proceedings of AAAI Conference on Artificial Intelligence, 2017.

  



迎賓機器人企業(yè)【推薦】

2022年迎賓機器人企業(yè):優(yōu)必選、穿山甲、創(chuàng)澤智能、慧聞科技、杭州艾米、廣州卡伊瓦、勇藝達、睿博天米、銳曼智能、康力優(yōu)藍、云跡科技、南大電子、獵戶星空、瞳步智能

2020年工業(yè)機器人企業(yè)《機器人戰(zhàn)“疫”系列》

2020年工業(yè)機器人推薦企業(yè):眾為興,翼菲自動化,節(jié)卡,遨博,埃斯頓,華數(shù),新松,國機智能,拓斯達,天機機器人

2020年物流機器人企業(yè)【推薦】

2020年物流機器人推薦企業(yè):​斯坦德,極智嘉,京東,曠視艾瑞思,快倉,馬路創(chuàng)新,?低,北京機科,昆明船舶,新石器,美團

機器人遙操作

機器人遙操作已廣泛應(yīng)用在醫(yī)療領(lǐng)域、極端環(huán)境探索如太空與深海場景、防恐防爆應(yīng)用場景,及基于工業(yè)機械臂的自動化生產(chǎn)中

成都市公園城市智慧綜合桿設(shè)計導(dǎo)則

成都市新基建政策,加快建設(shè)全面體現(xiàn)新發(fā)展理念的國家中心城市,建設(shè)安全、綠色、活力、智慧、友好的城市街道,統(tǒng)籌協(xié)調(diào)街道相關(guān)設(shè)施集約化建設(shè)

2020年人形機器人企業(yè)【推薦】

2020年人形機器人推薦企業(yè):達闥科技、康力優(yōu)藍、南京阿凡達、勇藝達、森漢科技、穿山甲、廣州卡伊瓦、三寶創(chuàng)新。

機器人抗擊傳染病

新冠病毒凸顯了機器人在與傳染病對抗中的重要作用,機器人不會感染傳染病

2020年清潔機器人企業(yè)【推薦】

2020年清潔機器人推薦企業(yè):科沃斯、石頭科技、上海高仙、普森斯科技、四川東方水利、智意科技、東莞智科、廣州艾可、小狗科技、,斕貦C器人、神舟云海。

2020年巡檢機器人企業(yè)【推薦】

2020年巡檢機器人推薦企業(yè):哈工大機器人、朗馳欣創(chuàng)、優(yōu)必選、杭州艾米、普華靈動、沐點智能、億嘉和、科大智能、京東數(shù)科、深圳施羅德。

2020年安防機器人企業(yè)【推薦】

2020年安防機器人推薦企業(yè):廣州高新興、北京凌天、浙江國自、沈陽新松、湖南萬為、蘇州博眾、北京智能開誠、優(yōu)必選、南京聚特、上海合時

2020年教育機器人企業(yè)【推薦】

2020年教育機器人企業(yè):儒博科技、城市漫步、優(yōu)必選、鑫益嘉、大疆創(chuàng)新、森漢科技、勇藝達、創(chuàng)客工場、智伴、科大訊飛...

廣西公共數(shù)據(jù)開放管理辦法(征求意見稿)

加快數(shù)字廣西建設(shè)的決策部署,加快推進廣西政務(wù)數(shù)據(jù)資源管理與應(yīng)用改革,提升政府治理能力和公共服務(wù)水平,推動數(shù)字經(jīng)濟發(fā)展

迎賓機器人企業(yè)【推薦】

2022年迎賓機器人企業(yè):優(yōu)必選、穿山甲、創(chuàng)澤智能、慧聞科技、杭州艾米、廣州卡伊瓦、勇藝達、睿博天米、銳曼智能、康力優(yōu)藍、云跡科技、南大電子、獵戶星空、瞳步智能

山東機器人公司準(zhǔn)獨角獸企業(yè)-創(chuàng)澤智能

山東機器人公司,創(chuàng)澤機器人榮獲山東省工信廳人工智能領(lǐng)域的準(zhǔn)獨角獸的稱號,是中國工信部人工智能產(chǎn)業(yè)創(chuàng)新重點任務(wù)揭榜優(yōu)勝單位

消毒機器人優(yōu)勢、技術(shù)及未來發(fā)展趨勢

消毒機器人有哪些優(yōu)勢,未來發(fā)展趨勢

家庭陪護機器人

家庭陪護機器人能在家中起到監(jiān)控安全陪護具有人機互動交互服務(wù)多媒體娛樂價格查詢等

兒童陪護機器人

兒童陪護機器人與孩子互動陪伴玩耍學(xué)習(xí)價格問詢等功能說明使用指南介紹

展館智能機器人

展館智能機器人可講解自主行走語音交互咨詢互動價格咨詢等功能介紹以及表情展現(xiàn)能力

智能講解機器人

智能講解機器人正在劍橋講解演示咨詢互動移動宣傳價格問詢等功能說明介紹

智能接待機器人

智能接待機器人迎賓服務(wù)來賓問詢答疑價格查詢

智能主持機器人

智能主持機器人參與主持了寧夏的云天大會并完成了大會的接待任務(wù)多才多藝載很受歡迎

超市智能機器人

超市智能機器人能幫助商家吸引客戶道路指引導(dǎo)購價格查詢

4s店智能機器人

4s店智能機器人迎賓銷售導(dǎo)購數(shù)據(jù)收集分析價格問詢等

展廳智能機器人

展廳智能機器人可用于接待講解咨詢互動價格查詢等功能
 
資料獲取
新聞資訊
== 資訊 ==
» 人形機器人未來3-5年能夠?qū)崿F(xiàn)產(chǎn)業(yè)化的方
» 導(dǎo)診服務(wù)機器人上崗門診大廳 助力醫(yī)院智慧
» 山東省青島市政府辦公廳發(fā)布《數(shù)字青島20
» 關(guān)于印發(fā)《青海省支持大數(shù)據(jù)產(chǎn)業(yè)發(fā)展政策措
» 全屋無主燈智能化規(guī)范
» 微波雷達傳感技術(shù)室內(nèi)照明應(yīng)用規(guī)范
» 人工智能研發(fā)運營體系(ML0ps)實踐指
» 四驅(qū)四轉(zhuǎn)移動機器人運動模型及應(yīng)用分析
» 國內(nèi)細分賽道企業(yè)在 AIGC 各應(yīng)用場景
» 國內(nèi)科技大廠布局生成式 AI,未來有望借
» AIGC領(lǐng)域相關(guān)初創(chuàng)公司及業(yè)務(wù)場景梳理
» ChatGPT 以 GPT+RLHF 模
» AIGC提升文字 圖片滲透率,視頻 直播
» AI商業(yè)化空間前景廣闊應(yīng)用場景豐富
» AI 內(nèi)容創(chuàng)作成本大幅降低且耗時更短 優(yōu)
 
== 機器人推薦 ==
 
迎賓講解服務(wù)機器人

服務(wù)機器人(迎賓、講解、導(dǎo)診...)

智能消毒機器人

智能消毒機器人

機器人底盤

機器人底盤

 

商用機器人  Disinfection Robot   展廳機器人  智能垃圾站  輪式機器人底盤  迎賓機器人  移動機器人底盤  講解機器人  紫外線消毒機器人  大屏機器人  霧化消毒機器人  服務(wù)機器人底盤  智能送餐機器人  霧化消毒機  機器人OEM代工廠  消毒機器人排名  智能配送機器人  圖書館機器人  導(dǎo)引機器人  移動消毒機器人  導(dǎo)診機器人  迎賓接待機器人  前臺機器人  導(dǎo)覽機器人  酒店送物機器人  云跡科技潤機器人  云跡酒店機器人  智能導(dǎo)診機器人 
版權(quán)所有 © 創(chuàng)澤智能機器人集團股份有限公司     中國運營中心:北京·清華科技園九號樓5層     中國生產(chǎn)中心:山東日照太原路71號
銷售1:4006-935-088    銷售2:4006-937-088   客服電話: 4008-128-728