Detecting Multiple Sclerosis with Machine Learning | Grey Kuling | TEDxUofTSalon

это было только после разговора с
друг детства
что я понял правду
моих исследований и вот что она сказала
Мне очень повезло, но это
определенно потому, что я пытался упражняться
и хорошо питаться, но это не всегда было
это хорошо, что я потерял свое видение в
прошлое и моя способность ходить , но
очевидно, у меня есть это обратно
У меня рецидив, переводящий несколько
склероз, поэтому я в порядке
90% времени, но да, что другие 10%
рассеянный склероз — аутоиммунный
болезнь для атак иммунной системы
здоровые нейроны пациента
центральная нервная система , это оказывает
нейрон не способен общаться
сигналы к остальной части тела
поврежденный в поврежденной ткани
нейрон называется поражением МС, и мы можем
визуализировать их с помощью магнитного резонанса
визуализации или МРТ при анализе различных
мы видим очень четкую картину
между поражениями и здоровым
ткани и в настоящее время используют радиологи
этот шаблон для определения повреждений
вручную назвав его сегментацию прямо сейчас
это важно на всех этапах MS
таких как первоначальная диагностическая оценка
прогрессирование заболевания и определение
эффективность лечения
однако ручная сегментация затруднена
и часто переменные для врачей могут не
согласитесь на одну и ту же
врач не может сегментировать повреждение
дважды, и это приводит к
ошибка поэтому была предложена
сегментные поражения, автоматически используя
машинное обучение сейчас
машинное обучение стало горячей темой
в последние годы это буквально
повсеместно признавать и учиться
шаблоны и информация вокруг нас
Google Facebook и теперь собственный Apple
iPhone использует машину
обучения для распознавания лиц , а также
наши почтовые ящики используют машинное обучение
для фильтрации спама мы могли бы использовать
алгоритм машинного обучения , чтобы узнать
картина повреждений в этих четырех просмотрах
но сначала какая информация мы
глядя на эти изображения
что эти данные точно также картина
является матрицей интенсивностей пикселей при
заданные координаты x и y, мы можем тогда
стек изображений друг на друга
делая третье измерение, чтобы мы могли
визуализировать данные и ткани в 3d это
затем превращает интенсивность пикселей в
объемную интенсивность или воксел в
учитывая координату XY и Zed, поэтому, если мы
сами смотрели на эти вокселы
и мы хотели попытаться определить, что
ткани смотрели, как бы мы
что это хорошо, давайте сделаем это
немного проще, если бы мы смотрели на
любой объект, как бы мы
узнайте, что мы говорим для
Например, мы могли бы построить
словарь примеров в нашей памяти
что мы могли бы ссылаться и получается
что компьютер может сделать то же самое, чтобы
он мог идентифицировать горилу от льва
в изучении словаря мы принимаем
сбор образцов изображений, и мы принимаем
интенсивности пикселей и мы перестраиваем
их в вектор мы помещаем эти
векторные примеры бок о бок в новый
матрицу, которую мы называем словарем, тогда мы
может идентифицировать испытуемого , используя
регрессионный анализ теперь это просто означает
что мы пытаемся воссоздать испытуемого
с помощью выбранного количества словаря
примеры, поэтому, если словарь львов
пытались определить гориллу не будет
сделать очень хорошую работу
и ошибка будет большой, но если она
пытался идентифицировать льва, ошибка
быть маленьким, заявив, что это действительно
воспринимая льва в случае MS, мы
хотите посмотреть на отдельные воксели
и определить, какие ткани были
глядя на серое вещество
белое вещество мозговой спинномозговой жидкости и
ms, поэтому мы могли бы построить
словарь для всех четырех вопросов сейчас
как мы будем характеризовать каждый
индивидуальный воксел для создания примеров в
наш словарь мы не смотрим на
целая картина больше, мы просто смотрим
на небольшой его части хорошо
классические исследователи взяли
большой пространственный патч вокселя
интенсивности, которые окружают воксел
интерес, так что интересный вокзал
центр, а затем мы берем все
информация вокруг них мы бы
переставить эту информацию в вектор
а затем построить наши словари, так что давайте
как хорошо это получается, это
картина земли истины это
правильный ответ, это то, что мы хотим
см. алгоритм воссоздания, и это
результаты, которые мы получаем, это получается
не очень хорошая работа, есть много
чрезмерной сегментации и много ложных
положительный мой руководитель dr. хамаджи и я
посмотрел на это критически и подумал
должен смотреть слишком много информации
сразу же в результате слишком много запутывающих
факторов, поэтому мы подумали, почему бы не просто сохранить
это просто, давайте просто используем воксел в
вопрос, а не пространственный патч, поэтому мы
попробовал это , и он сегментирован
поражений отлично, теперь мы были немного
скептически относятся к этим результатам, потому что мы
на самом деле предварительно обработали наши данные
быть идеальным, мы выносили какой-либо шум или
искажения в изображениях, которые могут
информация, запутанная
компьютер, поэтому мы подумали, почему
бит без их уровня сделать это
сложнее и попытаться сегментировать изображения с помощью
добавлен трехпроцентный шум, и он
не мог справиться с шумом и нашим ложным
положительные ответы вернулись для решения этой проблемы
мы спросили себя, что такое шум
изменив эти фотографии, если мы возьмем
Посмотрите на них бок о бок, мы можем видеть
что линии немного размыты
но наибольшая разница между
линии мы видим, что белый
материя и мозговая спинномозговая жидкость имеют
перешли от одного сплошного цвета к нечеткому
так что если бы вы смотрели на это
нечеткий шаблон, как бы вы описали его
Я сделаю это немного проще, как
вы бы описали разницу
между этими изображениями каждая панель имеет
очень отчетливая текстура
ashphalt противопоставляет ют разные
чем текстура кирпичной стены
поэтому наши мозги понимают, что
мы смотрим на нас подсознательно
анализировать текстуру и получается
снова компьютер может сделать то же самое
глядя на интенсивности пикселей, мы можем
подсчитывают, как часто определенная интенсивность
уровень отображается на картинке
Подсчет частоты каждой интенсивности
уровень мы получаем распределение вероятностей
то мы можем вычислить среднее значение
стандартное отклонение энтропии и все
виды информации, которую мы хотели построить
словарь для всех тканей, которые
использует значение воксела, о котором идет речь, и
вычисляется количественная оценка текстуры
статистически из соседних вокселей
теперь, когда он поворачивается
, как вы увеличить шум в
стандартное отклонение будет увеличиваться, но
среднее значение останется относительно одинаковым с тех пор
стандартное отклонение настолько чувствительно
к шуму мы связали это мы
интенсивности воксела и перестроил наш
словарей, и он решил проблему
он может даже сегментировать небольшие поражения, которые
трудно найти в настоящее время это очень
захватывающие результаты, но, к сожалению, это
может быть какое-то время, пока это не станет
результаты, которые я показал
вы сегодня были рассчитаны на моделирование
сканирование мозга из Университета Макгилла
мозг и документы , которые сделали
переход от моделируемых данных к реальному пациенту
данные почти полностью снизились
50% Я сейчас в данный момент не
иметь базу данных реальных данных пациента
испытание и утверждение клинического
для получения такого набора данных зависит
по одной неизбежной проблеме ответственности
когда сканирование сегментируется вручную для
травмы, врач диагностирует
поражения, если сегментация была выполнена
автоматически, кто делает
диагностировать сейчас, это большая проблема
с внедрением машинного обучения в
медицина теперь в случае словаря
обучение машина принимает решение
основанный на словаре
поэтому, как будто я
обученный помощник, но это доктор
кто должен принять окончательное решение
это не вопрос воли машины
сделать неправильный выбор, но
врач позволяет машине сделать
неправильный выбор спасибо
вы
вы