کتاب Deep Learning for Biomedical Image Reconstruction

کتاب Deep Learning for Biomedical Image Reconstruction (یادگیری عمیق برای بازسازی تصویر زیست پزشکی) کاربرد علم یادگیری عمیق یا Deep Learning را در زمینه‌ی زیست پرشکی شرح خواهد داد.

در ادامه مقدمه‌ای از کتاب Deep Learning for Biomedical Image Reconstruction را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Deep Learning for Biomedical Image Reconstruction:

دستاوردهای باورنکردنی یادگیری عمیق در سال‌های اخیر منجر به دگرگونی‌های قابل توجهی در حوزه علم داده شده است. در مقایسه با روش‌هایی که بر مهندسی ویژگی‌ها برای استخراج ویژگی‌های دست‌ساز برای تغذیه طبقه‌بندی‌کننده‌های پایه تکیه می‌کنند، یکی از مزیت‌های کلیدی شبکه‌های عصبی عمیق این است که به‌طور مستقل ویژگی‌ها را شناسایی کرده و طبقه‌بندی‌کننده‌های مناسب را به شیوه‌ای مبتنی بر داده ایجاد می‌کنند.

آن‌ها تلاش می‌کنند تا به طور خودکار اطلاعات مدل را با بهینه‌سازی پارامترهای شبکه که از نمونه‌های آموزشی در دنیای واقعی آموخته‌اند، کشف و ترکیب کنند، و جایگزین طراحی سنتی مدل‌های قابل حمل و پیشین بر اساس تجزیه و تحلیل انسانی فرآیندهای فیزیکی شوند. این امر یادگیری عمیق را به ابزاری بسیار سازگار در علم داده تبدیل کرده است که منجر به پیشرفت‌های تکنولوژیکی متعددی می‌شود.

در طول دهه گذشته، انقلاب در یادگیری عمیق با در دسترس بودن مجموعه داده‌های آموزشی گسترده، دسترسی به منابع محاسباتی قدرتمند، و پیشرفت در تحقیقات شبکه‌های عصبی مانند توسعه معماری‌های مؤثر و آموزش کارآمد انجام شده است. الگوریتم‌ها این عوامل به موفقیت بی‌نظیر یادگیری عمیق در برنامه‌های بی‌شماری در بینایی کامپیوتر، تشخیص الگو و پردازش گفتار کمک کرده‌اند. در بینایی کامپیوتر، آن‌ها به بهبود قابل توجهی در دقت تشخیص تصویر منجر شده‌اند.

بیشتر بخوانید: کتاب Evolutionary Deep Learning

عملکردهای پیشگامانه توسط AlexNet به نمایش گذاشته شده است، حتی از انسان‌ها در وظایف طبقه بندی در مجموعه داده ImageNet پیشی گرفته است. در پردازش سیگنال، رویکردهای مبتنی بر یادگیری، جایگزین‌های الگوریتمی جالبی را برای روش‌های تحلیلی مبتنی بر مدل سنتی ارائه می‌دهند. برخی از رویکردهای متوازن‌تر اخیر، ادغام روش‌های تکراری مرسوم و روش‌های یادگیری عمیق را، احتمالاً در قالب شبکه‌های بازشده، در نظر می‌گیرند.

در اوایل سال 2016، موفقیت‌های بسیار تبلیغاتی یادگیری عمیق شامل شاهکارهای خیره‌کننده‌ای مانند شکست قهرمان جهان لی سدول توسط AlphaGo در مسابقات Go بود. در همان سال، چندین الگوریتم مبتنی بر یادگیری عمیق منجر به بازسازی‌های ابتکاری تصاویر زیست‌پزشکی شد، به عنوان مثال برای بازسازی CT با دوز کم (چالش بزرگ CT اشعه ایکس با دوز پایین 2016 که توسط انجمن فیزیک‌دانان پزشکی آمریکا برگزار شد).

بازسازی MR از نمونه‌های پراکنده (اجلاس سالانه انجمن بین‌المللی تشدید مغناطیسی در پزشکی 2016)، و برای بازسازی CT با دید پراکنده (FBPNet). از آن زمان، یادگیری عمیق پیشرفت فوق العاده ای داشته است. اکنون منصفانه است که بگوییم ادغام تکنیک‌های یادگیری ماشینی چشم‌انداز تحقیقاتی را در بازسازی تصاویر زیست‌پزشکی کاملاً تغییر داده است. از امروز، بازسازی تصویر مبتنی بر یادگیری عمیق نه تنها به یک مرکز تحقیقاتی اولیه تبدیل شده است، بلکه به درجه‌ای از بلوغ رسیده است و در حال حاضر یک ابزار ضروری برای کاربردهای بالینی است، همانطور که توسط تأییدیه اخیر FDA در مورد یادگیری عمیق محصول تجاری برای CT با دوز پایین گواهی می‌شود.

با این حال، علی‌رغم موفقیت فوق‌العاده یادگیری عمیق در بازسازی تصویر، توسعه آن عمدتاً تجربی باقی مانده است و طبق اطلاعات ما، در حال حاضر کمبود مواد سازمان‌یافته‌ای وجود دارد که بتواند یک نمای کلی از این حوزه‌ها و پوشش ارائه دهد. در عین حال، تئوری و کاربردهای خاص برای روش‌های مختلف تصویربرداری پزشکی. با توجه به اهمیت این موضوع برای جامعه تصویربرداری زیست‌پزشکی، ما معتقدیم که هماهنگ کردن تلاش‌های جهانی و ایجاد یک مونوگراف که بررسی و چشم‌اندازی منسجم از این زمینه را ارائه می‌دهد، مهم است.

بیشتر بخوانید: کتاب Deep Learning Algorithms

نقشه راه کتاب Deep Learning for Biomedical Image Reconstruction

فصل‌ها در سه بخش تنظیم شده‌اند که در ادامه به اختصار توضیح داده شده است. بخش اول: تئوری یادگیری عمیق برای بازسازی تصویر بازسازی تصاویر پزشکی معمولاً یک مشکل معکوس نادرست است، به این معنا که اپراتور فوروارد معکوس پایدار را نمی‌پذیرد. در عمل، این بدان معناست که بسیاری از بازسازی‌های احتمالی کاندید می‌توانند در کنار هم وجود داشته باشند، که هر یک سازگاری کامل با اندازه‌گیری‌ها را ارائه می‌دهند.

برای مقابله با مشکلات معکوس نادرست، مفروضات ملایم یا قاعده‌مندی را می‌توان بر فضای راه‌حل تحمیل کرد تا دانش قبلی ما از طبقه زیربنایی تصاویر را منعکس کند. به عنوان مثال، به طور گسترده پذیرفته شده است که تصاویر طبیعی یک نمایش فشرده در یک موجک را می‌پذیرند و/یا یک گرادیان پراکنده را نشان می‌دهند، که ترجیح برای بازسازی‌هایی را توجیه می‌کند که تنوع کل آن‌ها به طور منطقی کوچک است.

بر این اساس، به طور سنتی مشکل بازسازی به عنوان به حداقل رساندن یک تابع هزینه که دو بخش را متعادل می‌کند، فرموله می‌کند: (1) یک اصطلاح داده، که سازگاری با اندازه‌گیری‌ها را اعمال می‌کند. و (2) یک اصطلاح تنظیم، که به نفع راه حل‌های “مطلوب”.

این استراتژی مبنایی برای سنجش فشرده است که برای بازسازی تصاویر پزشکی (با کیفیت تشخیصی) از داده‌های اندازه‌گیری پر سر و صدا و/یا ناقص، بر تنظیم‌سازی ترویج‌کننده پراکندگی تکیه دارد. با این حال، از آنجایی که نظم‌دهی ترویج‌کننده پراکندگی به‌طور خاص برای تصویربرداری پزشکی طراحی نشده است، فضای کافی برای بهبودی وجود دارد که توسط منظم‌سازی مبتنی بر داده – به عبارت دیگر، توسط یادگیری ماشینی ایجاد می‌شود.

به نظر می‌رسد که آموزش یک شبکه عصبی از همان نوع استراتژی بهینه‌سازی استفاده می‌کند که بازسازی تصویر متغیر است. به همین دلیل است که ما یک فصل مقدماتی، یعنی فصل 1 کتاب Deep Learning for Biomedical Image Reconstruction را گنجانده‌ایم. این یک درمان مستقل از شبکه‌های عصبی در فرمالیسم برداری که معمولاً در تصویربرداری استفاده می‌شود، ارائه می‌دهد.

بیشتر بخوانید: کتاب Designing Deep Learning Systems

در نظریه اخیر فریم‌لت‌های کانولوشنال عمیق، Ye و همکارانش نشان داده‌اند که یک شبکه عصبی عمیق را می‌توان به عنوان یک نمایش فریملت تفسیر کرد. ایده اصلی، که در فصل 2 کتاب Deep Learning for Biomedical Image Reconstruction توضیح داده شده است، این است که فعال‌سازی‌های ReLU یک مکانیسم انتخاب تطبیقی ارائه می‌دهند که توسط آن مرتبط‌ترین عناصر فرهنگ لغت برخی از فریم‌های زیرین که از داده‌های آموزشی به دست می‌آیند برای بهترین رمزگذاری سیگنال ورودی زیربنایی انتخاب می‌شوند.

این فصل از کتاب Deep Learning for Biomedical Image Reconstruction همچنین پدیده نزول دوگانه را مورد بحث قرار می‌دهد و بینش جدیدی در مورد قابلیت تعمیم شگفت انگیز شبکه‌های عصبی عمیق ارائه می‌دهد. مطالعات اخیر رابطه نزدیک بین رویکردهای یادگیری عمیق و بازنمایی‌های پراکنده را نشان داده است.

این پیوند در فصل 3 کتاب Deep Learning for Biomedical Image Reconstruction توضیح داده شده و توسعه یافته است. با رویکردهای مبتنی بر مدل خاص برای یادگیری عمیق در هر دو تنظیمات نظارت شده و بدون نظارت نشان داده شده است.

با گسترش رویکردهای مبتنی بر مدل، معماری شبکه‌های عصبی را می‌توان با نسخه بازشده یک الگوریتم تکراری کلاسیک برای بازیابی سیگنال‌های پراکنده مطابقت داد. پیچ و تاب این است که هر بخش باز شده را می‌توان به روش داده محور آموزش داد و برای بهترین عملکرد بهینه سازی کرد. فصل 4 کتاب Deep Learning for Biomedical Image Reconstruction شامل یک بررسی جامع از این تکنیک‌های بازگشایی است که درک ما را از طراحی و کاربرد یادگیری عمیق در بازسازی تصویر افزایش می‌دهد.

بخش دوم: معماری یادگیری عمیق برای روش‌های مختلف تصویربرداری بسیاری از پیشرفت‌ها در به کارگیری روش‌های یادگیری عمیق توسط آزمایش انجام می‌شود. بنابراین برای پزشکان و طراحان بسیار مهم است که به خوبی از جزئیات اجرای خطوط لوله بازسازی و فیزیک تصویربرداری اساسی آگاه باشند. به این ترتیب، در بخش دوم، پیشگامان پیشرو در کاربردهای مختلف تصویربرداری مانند اشعه ایکس، CT، MRI و اولتراسوند، ویژگی‌های خاص هر مدالیته را شناسایی کرده و بر اصول مدل‌سازی اساسی تأکید می‌کنند.

تمرکز اصلی در بخش دوم این است که چگونه این زمینه تکامل یافته است. فیزیک تا حد امکان رعایت می‌شود، بنابراین روش‌های مبتنی بر مدل با یادگیری عمیق ادغام می‌شوند.

فصل 5 کتاب Deep Learning for Biomedical Image Reconstruction شامل یک مرور سطح بالا از روش‌های یادگیری عمیق برای بازسازی CT است. فصل 6 کتاب Deep Learning for Biomedical Image Reconstruction سپس به جزئیات یادگیری عمیق، هم برای بازسازی‌های مستقیم در حوزه تصویر و هم برای بازسازی در حوزه‌های پس پروجکشن متمایز می‌پردازد.

همانطور که در فصل 7 کتاب Deep Learning for Biomedical Image Reconstruction توضیح داده شد، یادگیری عمیق همچنین تأثیر فوق العاده ای بر MRI داشته است که یک نمای کلی از این زمینه ارائه می‌دهد.

این مطالب با فصل‌های 8 و 9 کتاب Deep Learning for Biomedical Image Reconstruction تکمیل می‌شود که در مورد استراتژی‌های مبتنی بر مدل و روش‌های فضای k خاص برای یادگیری عمیق گزارش می‌دهند.

تصویربرداری اولتراسوند حوزه دیگری است که در آن یادگیری عمیق منجر به فرصت‌های جدید و پیشرفت‌های خاص مدالیته شده است. بررسی گسترده ای از شکل دهی پرتو اولتراسوند در فصل 10 کتاب Deep Learning for Biomedical Image Reconstruction یافت می‌شود، جایی که بررسی می‌شود که چگونه یادگیری عمیق می‌تواند خطوط لوله شکل دهنده پرتوهای کلاسیک را افزایش دهد. متعاقباً، روش‌های حذف مصنوع مبتنی بر یادگیری عمیق در فصل 11 کتاب Deep Learning for Biomedical Image Reconstruction توضیح داده شده است.

بخش سوم: مدل‌های مولد برای تصویربرداری زیست‌پزشکی مدل‌های مولد عمیق به دلیل توانایی آن‌ها در رمزگذاری توزیع آماری تصاویر، توجه قابل توجهی را به خود جلب می‌کنند. شناخته‌شده‌ترین نمونه‌ها، شبکه‌های متخاصم (GANs) هستند که توزیع قبلی مجموعه داده‌های بزرگ را به روشی کاملاً بدون نظارت می‌آموزند. یکی از کاربردهای چشمگیر GAN ها در بینایی کامپیوتری، انتقال سبک است.

در فصل 12 کتاب Deep Learning for Biomedical Image Reconstruction، نشان داده شده است که چگونه این روش می‌تواند به MRI برای انتقال کنتراست و سنتز داده‌های از دست رفته منتقل شود.
پیش از تصویر عمیق (DIP) مکانیزمی است که هدف آن منظم کردن فضای محلول است. در چارچوب مولد قرار می‌گیرد، با این تفاوت مهم که نیازی به آموزش قبلی ندارد. ایده کلیدی DIP این است که از ساختار یک شبکه عصبی کانولوشنال به عنوان یک پیش از استقرایی قوی در فضای راه حل استفاده کند.

با این فرض که مولد با موفقیت دانش قبلی را ضبط می‌کند، می‌توان با محدود کردن تصویر بازسازی شده در محدوده مولد، بازسازی تصویر را انجام داد. این اصل در فصل‌های 13 و 14 کتاب Deep Learning for Biomedical Image Reconstruction برای رسیدگی به مشکلات دشوار بازسازی تصویر که به ترتیب ناشی از MRI پویا و باز کردن فاز هستند، اعمال می‌شود.

در حالی که GAN ها در ابتدا برای سنتز تصاویر توسعه داده شدند، آن‌ها همچنین در زمینه بازسازی تصویر بدون نظارت موثر هستند. در فصل 15 کتاب Deep Learning for Biomedical Image Reconstruction به تفصیل توضیح داده شده است که چگونه یک استراتژی مبتنی بر GAN را می‌توان برای میکروسکوپ کریو الکترونی برای انجام بازسازی‌های سه بعدی در سناریوی چالش برانگیز که در آن موقعیت‌های پیش‌بینی‌های فردی ناشناخته است، به کار برد، همانطور که در تجزیه و تحلیل تک ذره وجود دارد.

سرفصل‌های کتاب Deep Learning for Biomedical Image Reconstruction:

• List of Contributors
• Preface
• Part I Theory of Deep Learning for Image Reconstruction
• 1 Formalizing Deep Neural Networks
• 2 Geometry of Deep Learning
• 3 Model-Based Reconstruction with Learning: From Unsupervised to Supervised and Beyond
• 4 Deep Algorithm Unrolling for Biomedical Imaging
• Part II Deep-Learning Architecture for Various Imaging Architectures
• 5 Deep Learning for CT Image Reconstruction
• 6 Deep Learning in CT Reconstruction: Bringing the Measured Data to Tasks
• 7 Overview of the Deep-Learning Reconstruction of Accelerated MRI
• 8 Model-Based Deep-Learning Algorithms for Inverse Problems
• 9 k-Space Deep Learning for MR Reconstruction and Artifact Removal
• 10 Deep Learning for Ultrasound Beamforming
• 11 Ultrasound Image Artifact Removal using Deep Neural Networks
• Part III Generative Models for Biomedical Imaging
• 12 Image Synthesis in Multi-Contrast MRI with Generative Adversarial Networks
• 13 Regularizing Deep-Neural-Network Paradigm for the Reconstruction of Dynamic
• 14 Regularizing Neural Network for Phase Unwrapping
• 15 CryoGAN: A Deep Generative Adversarial Approach to Single-Particle Cryo-EM

جهت دانلود کتاب Deep Learning for Biomedical Image Reconstruction می‌توانید پس از پرداخت، دریافت کنید.