Глубокое обучение: краткое введение для радиологов

Глубокое обучение — это класс методов машинного обучения, которые успешно применяются и вызывают интерес во многих областях, включая компьютерное зрение, распознавание речи, обработку естественного языка и игровые стратегии. Методы глубокого обучения строят отображение от сырых входных данных к требуемым выходным данным (например, классам изображений). В отличие от традиционных методов машинного обучения, для которых требуется ручное выделение признаков из входных данных, методы глубокого обучения извлекают эти признаки непосредственно из данных. С появлением больших массивов данных и ростом вычислительных мощностей эти методы позволяют создавать модели с исключительной эффективностью. Такие модели представляют собой многослойные искусственные нейронные сети, в общих чертах вдохновленные биологическими нервными системами. Взвешенные связи между узлами сети (нейронами) итеративно корректируются на основе пар примеров входных данных и целевых выходных данных путем обратного распространения сигнала ошибки по сети. Для задач компьютерного зрения эффективными оказались сверточные нейронные сети (CNN). В последнее время в радиологии было предложено и изучено несколько клинических применений CNN для задач классификации, выявления и сегментации. В статье рассматриваются ключевые понятия глубокого обучения для клинических радиологов, обсуждаются технические требования, описываются появляющиеся области применения в клинической радиологии и обозначаются ограничения и перспективы развития этой области. Радиологам следует ознакомиться с принципами глубокого обучения и его потенциальными применениями в медицинской визуализации. RSNA, 2017.©