Quali modelli di Deep Learning utilizzare con le scansioni MRI e CT in 3D?

Quali modelli di Deep Learning per scansioni MRI e CT in 3D?

La tua guida indispensabile all’applicazione del machine learning per risolvere problemi di imaging medico 3D.

Per ricevere approfondimenti come questo e altro ancora, inclusi i migliori articoli di ML della settimana, offerte di lavoro, consigli di ML dall’esperienza del mondo reale e storie di ML da parte di ricercatori e sviluppatori, iscriviti alla mia newsletter qui.

Riceverai 2 regali al momento dell’iscrizione:

  • Una checklist per essere pronto per un lavoro di ML, per aiutarti a capire cosa si aspetta da te nel mercato del lavoro del machine learning.
  • Un link per accedere al mio corso introduttivo gratuito di Tensorflow di 4,5 ore per la visione artificiale.

Introduzione

Quando si lavora con dati di imaging medico, a volte è necessario gestire l’aspetto 3D.

Questo è particolarmente vero quando si lavora con dati di serie DICOM. In questo scenario, avrai diverse fette DICOM che formano una scansione o una parte specifica del corpo.

Quindi, come si costruisce una soluzione di deep learning per questo tipo di dati? In questo articolo, ti presenterò 6 architetture di reti neurali che puoi utilizzare per addestrare un modello di deep learning su dati medici 3D.

Per ogni rete neurale, condividerò il codice e l’articolo originale in modo che tu possa approfondire come funzionano.

Modelli di Deep Learning per l’Imaging Medico 3D

3D U-Net:

L’architettura U-Net è un modello potente per la segmentazione di immagini mediche. Il 3D U-Net estende il classico modello U-Net alla segmentazione 3D. È composto da un percorso di codifica (downsampling) e un percorso di decodifica (upsampling). Il percorso di codifica cattura il contesto nell’immagine di input, mentre il percorso di decodifica consente una localizzazione precisa. Il 3D U-Net è molto efficace nel gestire la natura 3D delle immagini volumetriche.

Puoi controllare il codice qui.

Puoi leggere l’articolo originale qui.