这是AI掘志的第二个讲座，美女CEO
简介如下：
授课目录：1.医疗影像AI的发展状况以及我们可以怎么做
2.医疗影像应用的深度学习解决方案
3.分类网络在医疗影像中的应用及拓展
4图像切割在医疗影像中的应用及拓展
----------------------------------------------------------------------------------------------------------
1.
这部分就是概括一下AI的作用
2.医疗影像应用的深度学习解决方案
复习：医疗影像类型
光学断层相干检查，主要用于眼科的眼底病的检查）
2.超声检测（实时查看，不利于图像的存储）
3.病理检测（图片超大）
4.内窥镜检测
5.高倍拍照：眼底、皮肤
举例：黄斑的分类
应用深度
3.分类网络在医疗影像中的应用及拓展
主要包括分类网络
我们可以在上述网络中了解并且实现。
这部分讲解了三个案例
1. 眼底等级判读
谷歌的眼底分类网络
训练这个网络 使用的数据量非常大，包括128000张图像，其中，每一张图像都得到了54位眼科医生中3到7位医生的评估。这同样也会产生一个问题，就是医生的不一致程度高。如下图所示：
不同的颜色块代表疾病的不同程度，如果所有医生判断的一致性越高，那么一行的数据就越相同。
这个例子所用的数据量很大，可以直接训练。但如果数据集稍微小一点，可以用迁移学习。
基于Resnet和InceptionV3均可以迁移+Finetune
训练技巧：根据样本的复杂度选择锁层数量
2.X光及关注区域的获取
CAM网络（class activation mapping）可以用在无监督的情况下判断影像分类的区域。
方案要点：构成原理类似FCN网络，优势在于无监督，但在结论不够精确
训练：需要预训练
前提：需要物体相对明确。
如果数据是直接从医院拿过来的，那么多半是只有分类标签，而没有其他的标注，这种时候就可以尝试CAM方法。
3.sliding window病理切片的区域判读
病理切片的特点：
1.大尺寸，确保足量够切
2.相似性，不太具有contexture(上下文关系)
应用方案：sliding window+分类网络
实操要点：数据处理、multi-scale、置信区间、后期降噪
4图像切割在医疗影像中的应用及拓展
主流做法：编码解码结构
孔洞卷积（事实证明很有用）
条件随机场
常用的网络如：
分割主流网络：unet（属于FCN网络）
是首个 应用于医学案例，也是深度学习用于图像切割早期重要论文。
最新进展：
*大内核：解决FCN同时多个问题切分的问题
*PSPnet：整合全局信息
*MaskRCNN：整合物体识别的优势和方法
优缺点：适用于有明确边缘的组织和病灶；缺点是标记难拿，数量不足，病灶类别不平衡
应用案例：
案例一：标注FCN网络
论文;
优点：基于整图的学习识别、速度快；不足：局部特征提取精度不足，微小病灶难以识别
案例二：
切片+跨越式结构+FCN(肽积木)
GAN网络
适用于各类生成、转化、在医疗领域应用似乎有限，但比较火
医疗领域的应用场景：
图像切割：标记生成
增强样本：可多提供一些数据，强化结果等
切割案例：
合成病灶：生成假的肺结节
