9、人工智能在图像分析中的应用与发展

人工智能在图像分析中的应用与发展

1. 学习策略对比

在图像分析领域，有多种学习策略被用于目标检测和分类任务，常见的包括计算神经网络、随机森林、支持向量机、贝叶斯方法以及各种提升策略。大部分方法采用两步目标检测法，第一步识别候选对象，第二步将其分类为有丝分裂或非有丝分裂。不过，也有两种方法不进行候选对象提取，而是评估每个像素位置，为每张图像生成有丝分裂概率图，进而检测有丝分裂。

通过精确率和召回率衡量，多种模型表现良好。其中，具有多个交替卷积层和最大池化层的方法表现最佳，其 F1 分数与病理学家之间的观察者间一致性相当。而随机森林分类器的表现最差。有趣的是，通过多数投票或交集组合不同方法的结果，并未比最佳的单个方法有性能提升。

学习策略	目标检测方式	性能表现
计算神经网络、随机森林、支持向量机、贝叶斯方法、提升策略	两步目标检测法（多数）；评估每个像素位置（部分）	多种模型表现良好，部分方法表现突出，部分较差

2. 多对象处理

图像分割、多标签分类和多实例学习（MIL）有共同特点。以组织病理学材料为例，图像中可能只有小部分对处理和分析有用，因此需要先进行定位，识别感兴趣区域。常见做法是将图像分割成小的连续块，通过训练集的预先注释或算法自身策略来确定“感兴趣区域”，这与 MIL 方法类似。

目标检测基于