8、人工智能在医学影像中的应用

人工智能在医学影像中的应用

1. 特征提取与选择

在医学影像处理中，特征提取是关键的一步。特征提取后，数值会被表示为特征向量。根据图像的灰度、纹理和形状特征，有三种特征提取技术：
- 灰度特征提取 ：通过分析描述像素或体素数量以及灰度强度的直方图来实现。不过，灰度描述符无法提供图像的空间信息。
- 纹理特征提取 ：用于区分相似像素/体素区域的不同纹理。
- 形状特征提取 ：代表给定图像的边缘和几何特征。

特征选择也是必不可少的步骤，它能根据临床研究选择图像的合适特征，避免与特定检查无关的特征、冗余数据、噪声以及特征向量中的不一致性。

2. 机器学习与深度学习

传统的医学本体和分类方法存在一定局限性，无法完全描述疾病的所有因素及其病因，也难以跟上数字时代医学知识的发展。自20世纪80年代中期以来，随着计算机硬件的发展，非符号人工智能系统逐渐兴起，其中涉及的过程被称为机器学习（ML）。

机器学习通常分为监督学习和无监督学习：
- 监督学习 ：在训练模型时，会同时提供输入数据和期望的输出数据。
- 无监督学习 ：仅提供输入数据，以了解数据的内在结构。

此外，机器学习还可分为传统机器学习和深度学习（DL）：
- 传统机器学习 ：基于从先前检查中积累的经验进行模式识别，类似于人类智能。它能让计算机从错误中学习并预测结果，还可利用CAD等工具对图