欧洲处破女WWW人鲁,机长脔到她哭H粗话H,国产V亚洲V天堂无码久久久,扒开粉嫩小泬舌头伸进去视频

西門子代理商 咸陽西門子代理商 咸陽西門子代理商

采用數(shù)以千計的帶注釋的圖像進行訓練后，軟件系統(tǒng)學會了識別人體器官，甚至在病理切片中分清癌癥分期。這種可以從語義上處理解剖學和生理學問題的能力，為疾病診斷和治療打開了一扇門。

想象一下，給你做一次十分全面的醫(yī)療掃描，這樣你的每個細胞的位置和功能信息就可以被存儲下來。你可能馬上就能看到諸如心臟和前列腺細胞，這樣，你就得到一幅清晰的三維圖像，不管從哪個角度都可以看到每個器官，隨便你放大該器官的任何一部分，或者其功能的任何元素——不管需要多么詳細的信息，你只要輕松移動操作桿或者輸入一個請求就可以實現(xiàn)。雖然20年后才有可能實現(xiàn)這一愿景，但是目前科學家們已經(jīng)可以獲得人體局部清晰的三維像素圖像。每一個三維像素大約表示10萬個細胞。

S. Kevin Zhou說：“我們的目標是，掃描時能夠自動標記每個三維像素。”Zhou是西門子美國研究院全身影像分析項目的負責人。“本著這一目標，我們將開發(fā)諸如語義搜索等服務。這樣的話，醫(yī)生只要提到肝腫瘤，系統(tǒng)就會篩選出病人近期體檢中的腫瘤圖像，測量不同圖像上肝的大小，并會解釋腫瘤在治療期間的變化過程。這將會使醫(yī)生的工作更快、更精準、更高效地完成。”

但是，圖像分析系統(tǒng)只有先獲知肝臟的方位，才可以判斷正在查找的肝臟是否就在給出的圖像中。為此，系統(tǒng)首先要查找解剖學標志。例如，胸部的標志有肺部頂端和主動脈下端等位置。“這些標志的存在可以使圖像分析系統(tǒng)避免混亂，并可以進行自我調(diào)節(jié)，”Zhou解釋道。

機器如何記憶。機器學習系統(tǒng)能夠越來越精準地識別解剖學標志，鎖定要查找的部位。而其背后的深層原因則是學習識別圖像內(nèi)容的軟件在不斷進步，它根據(jù)大量“分類標志”或目標對象所有示例的共同特征來做出判斷。

由于有了機器學習，不管是否存在阻塞，以及視角、成像方式、病理如何，機器都能逐漸準確地自動區(qū)分器官輪廓和解剖學特征，這樣就為醫(yī)生打開了一扇大門，使其能夠更快、更準確地做出診斷

例如，采用數(shù)以千計的附帶專家注釋的肝臟圖像對軟件進行訓練之后，這種軟件已基本記住了人類肝臟的三維形狀， 從而具備了歸納能力，它可以識別和區(qū)分出（區(qū)別于周圍器官）任何醫(yī)學影像中的肝臟——不論是否存在阻塞，以及視角、成像方式、病理如何等。該軟件還被推廣應用在人體其他解剖實體上，從器官、骨頭，到胎兒外形或身體損傷等不一而足。

扁平的肋骨。一旦系統(tǒng)學會了自動識別人體的不同部位，世界就呈現(xiàn)出無限美好的可能性。例如，進行例行的全身計算機斷層掃描之后會如何呢？現(xiàn)在，根據(jù)很多國家的法規(guī)，放射科醫(yī)師，不管進行掃描的原因是什么，必須檢查圖像中的所有主要器官和整個胸腔，包括肋骨內(nèi)面，來判斷是否有異常跡象。“檢查肋骨極其耗時，因為很難看到那些彎曲面，”Zhou解釋說。

西門子中央研究院和西門子計算機放射業(yè)務部正在聯(lián)手研發(fā)一種軟件。這種軟件可以自動把胸腔和圖像的其他部分區(qū)分開來，將肋骨圖像扁平化，這就大大改善了肋骨的檢查過程。“該項目將會使用到機器學習，找出每根肋骨并定位其中心線。那么應用簡單的程序就可以使每根肋骨變平，”Zhou補充道。

融合X射線和超聲信息。50多年來，患有嚴重心臟疾病的病人必須忍受心臟手術的痛苦。但如今，由于成像技術的迅猛發(fā)展，自動識別及跟蹤瓣膜、心腔以及心導管、置換片固定模等系統(tǒng)的面世，越來越多的病人在治療過程中只需要使用特制的心導管就可以了，不再需要使用其他危害性更大的東西。例如，一年前，西門子引進了新的X射線可視化引導技術來輔助主動脈瓣置換手術。現(xiàn)在，機器學習算法可以自動識別不同成像模式中的同一解剖學標志，諸如主動脈瓣置換等手術定將變得更加精確。

借助機器學習技術，西門子Semantic Heart項目的研究人員得以生成患者心臟的全功能模型，而其他研究人員為醫(yī)生開發(fā)出一種醫(yī)療推理引擎（參閱第60頁的欄花）。機器學習系統(tǒng)可查明前列腺活體的癌癥分期（右圖）

“我們將這項新技術稱為‘基于模型的融合’，”西門子美國研究院的Razvan Ionasec博士介紹說，“采用以X射線為基礎的三維血管造影法，可以很清楚地看到心導管的位置，但卻不能看清人體組織，而超聲成像剛好如此相反。所以，我們把二者結合起來。”

正是出于這種想法，以同樣效力于西門子美國研究院的Terrence Chen博士為首的研究人員，正在開發(fā)一種基于學習的檢測跟蹤技術，它將有助于利用微型血管內(nèi)超聲（IVUS）設備生成的圖像，自動優(yōu)化血管造影影響配準。這種設備常用于查明冠狀動脈中的斑塊。在這個應用中，學習過程的重點是在采用X射線法獲得的血管造影圖像中，自動查明隨血液在血管中移動的超聲換能器和心導管的位置。“這可以幫助判定斑塊沉積的位置，并輔助制定治療計劃，”Chen說。

機器學習技術可幫助計算機斷層掃描系統(tǒng)識別鈣化組織。

自動判定鈣化。在西門子中央研究院視覺和實體建模項目經(jīng)理Tong Fang的帶領下，一組科研人員從相關的思路出發(fā)，開發(fā)出一種叫做動態(tài)組織對比加強（DTCE）的技術，可以根據(jù)超聲影像查明人體器官，F(xiàn)ang說：“使用*的噪聲消除和結構強化技術來優(yōu)化圖像質(zhì)量。”在離線訓練中，教材就是帶注釋的圖像樣本，在一項試驗中，訓練后的軟件可以帶來“高質(zhì)量的圖像和臨床診斷利益，”Fang指出。

研究人員還用機器學習技術訓練計算機斷層掃描系統(tǒng)，從而在心臟圖像中找出鈣化組織。“鈣化是導致主動脈瓣置換手術的主要原因，也是導致冠狀動脈疾病的一個重要因素，”Ionasec解釋說，“計算機斷層掃描現(xiàn)在能夠提供的解剖細節(jié)已經(jīng)十分精細。但在未來，借助計劃開發(fā)的軟件，希望可以開發(fā)出一種系統(tǒng)，幫助醫(yī)生量化主動脈瓣和胸主動脈的鈣沉積程度。這種信息有助于他們預測脈瓣置換術成功的可能性，決定使用哪種脈瓣，以及固定新的脈瓣時使用的氣球需要多大壓力。”

沿著這條思路一直走下去，研究人員還希望機器學習能夠幫助他們檢測出正常斑塊和所謂“不穩(wěn)定的”斑塊之間的不同。正常斑塊附著在它所占據(jù)的表面，“不穩(wěn)定的”斑塊則從應附著的表面脫落，并有可能導致心臟病和中風——這是很多介入治療術面臨的主要風險。西門子美國研究院的心血管疾病專家Gareth Funka-Lea博士說：“我們可以在計算機斷層掃描和核磁共振掃描中看到不同的斑塊，但我們?nèi)匀徊恢涝鯓尤プR別‘不穩(wěn)定的’斑塊。不過，通過利用機器學習和大規(guī)模的數(shù)據(jù)挖掘技術，我們有可能最終找出答案。”

Semantic Heart。西門子心血管和機器學習專家小組，還將其研究重點從主動脈瓣延伸至整個人類心臟。“作為西門子主要研發(fā)項目‘Semantic Heart’的內(nèi)容之一，我們正在利用機器學習技術自動識別四個瓣膜，并將此信息和我們的心腔模型相結合，生成一個完整的心臟模型，”Ionasec介紹道。這樣做的目標就是，在手術之前就了解病人整個心臟的動態(tài)，使手術醫(yī)生能夠?qū)Σ煌螒B(tài)的心臟介入治療術建模并進行比較——包括插入心臟支架、動脈瘤修復或置換、瓣膜修復等。”

借助機器學習技術，西門子Semantic Heart項目的研究人員得以生成患者心臟的全功能模型，而其他研究人員為醫(yī)生開發(fā)出一種醫(yī)療推理引擎（參閱第60頁的欄花）。機器學習系統(tǒng)可查明前列腺活體的癌癥分期（右圖）

Semantic Heart項目取得的影響最深遠的成果之一，就是快速提高負責控制從左心房到左心室的血液流動的二尖瓣的建模能力。二尖瓣比主動脈瓣要復雜得多，它是由一串串的腱索網(wǎng)聯(lián)系起來的，腱索固定住它的兩個膜瓣，使其正對著左心房。但是由于用力過度或疾病，腱索會發(fā)生斷裂，這可能導致輕微的或致命的疾病。這種疾病可以采用經(jīng)導管術修復，把斷裂腱索上的膜瓣和健康部分的膜瓣夾合在一起。“但是，在僅僅采用透視法的情況下，用心導管將極小的夾合器附著到兩片不停運動的膜瓣上，并非易事，” Ionasec指出。

面對這種挑戰(zhàn)，Ionasec研究團隊正在開發(fā)一種方法，將插入患者食管的超聲換能器生成的亞毫米級術前圖像，與采用西門子Artis zee血管造影系統(tǒng)上的syngo DynaCT Cardiac生成的術中X線圖像結合起來。這種方法的基礎是利用數(shù)以千計的患者圖像訓練過的算法，利用機器學習技術自動識別并跟蹤膜瓣的組織和運動，同時結合X射線和超聲圖像。這種新手術預計2011年下半年在德國進入臨床試驗階段。

讀懂細胞的隱含意義。將來有一天，世界上將會出現(xiàn)一種數(shù)字病理診斷掃描儀。它每小時可以處理上千個病理切片——每個切片上都有一張紙那么薄的一塊疑似病變的組織，并以最低的成本做出最精確的分析。得出的結果將與患者的遺傳學、生理學、解剖學和人口統(tǒng)計學特征結合在一起。當然，它還會從每個切片上學到新東西，這樣就會不斷地提高其分析的精確度。事實上，這種機器很可能會聯(lián)網(wǎng)，這樣它們就可以相互學習。

雖然，這樣的機器看起來似乎是一個遙遠的夢想，但是研究人員現(xiàn)在積累基礎知識，早晚有一天會開發(fā)出這樣的設備。例如，在新澤西的普林斯頓，西門子美國研究院的生物醫(yī)學影像分析專家Leo Grady博士，目前正帶領著一隊研發(fā)人員利用機器學習技術預測前列腺活體樣本中的癌癥分期。

使用由病理學專家已經(jīng)做好標記的癌癥分期的切片，“系統(tǒng)學習識別不同分期的細胞結構以及細胞排列等特點。在每一百個標注好的切片中，90個被用來訓練系統(tǒng)，剩下的十個被用來進行測試。然后再用另外90個做練習，剩下的十個進行測試。切片的選擇都是隨機的。” Grady解釋說。

這個過程不斷重復，直到最后的結果足夠令所有人都滿意，此時系統(tǒng)就已經(jīng)從經(jīng)驗中學會了如何歸納，有的時候，其結果相當出乎意料。比如，不僅僅是我們所期望的那樣，系統(tǒng)能夠?qū)W會判斷不同細胞的樣子——這樣就打開了自動計算的大門——而且，它甚至發(fā)現(xiàn)了一些連研究人員都沒有注意到的東西。

“系統(tǒng)提煉出一個事實，雖然每幅圖像上都有環(huán)狀的癌細胞和正常細胞，單憑圖像中細胞環(huán)的長度和細胞的數(shù)量，就可以預測癌癥分期。這令我們十分驚訝。但是，我們和一位病理學家討論這個時，他說確實如此，一些專家確實利用這種結構去判斷癌癥的不同分期。然而，在這里，系統(tǒng)自己發(fā)現(xiàn)了這一點，”Grady說。

未來醫(yī)生的推理引擎

展望一下，將來有一天醫(yī)生可以使用一種系統(tǒng)來解決復雜的醫(yī)學問題。西門子美國研究院的研究人員，目前正在開發(fā)一種深層推理機器，這種機器可以從大量的數(shù)據(jù)中學習。下面這個簡單的例子說明了深層推理過程的四個步驟。

（1）獲取患者的病史和體檢數(shù)據(jù)；
（2）做出各種可能的診斷；
（3）進行推薦診斷測試以彌補目前的知識漏洞：如，進行心電圖檢查以檢測ST段抬高（即冠狀動脈閉塞）和Q波 （即心肌細胞電信號傳導障礙），從而
（4）篩選出可能性最大的診斷結果。

項目組負責人Mathaeus Dejori博士解釋道：“這種系統(tǒng)體現(xiàn)了治療中的決策過程。”醫(yī)生一般會收到有關病人的大量資料，并需要做出艱難的決定。參與該項目的Vinay Shet博士補充道：“我們的系統(tǒng)不需要直接處理語言這樣復雜的問題。相反，它僅僅依據(jù)語義概念判斷，比如‘冠狀動脈閉塞’和‘急性胸痛’——深層推理機器已經(jīng)對這些概念有所認知——再根據(jù)醫(yī)療知識得出結論。”Dejori、Shet和合作研究員Dan Tecuci博士預計，這種技術可以成為醫(yī)生的智能助理，使他們可以輕松利用快速發(fā)展的數(shù)字信息庫。