机器学习应用（三）——自动分割

近几年来，机器学习（Machine Learning，ML）在医学影像中的应用越来越多，尤其是在帕金森病和老年痴呆症方面取得了突破性的进展，这得益于深度学习和神经网络的进步。但机器学习并不是像大家期待的那样万能，就目前而言“人工智能”还处于“有多少智能就有多少人工”阶段。所以机器学习、人工智能在医学影像中的发展空间还很大。

关于机器学习和卷积神经网络在之前有专门介绍过，大家可以点击下方跳转：

机器学习在Slicer中的应用（一）

在应用层面，也有专门介绍过CT骨质的自动分割，当时的模型较少，所以总体效果还很一般，具体教程可点击⬇：

机器学习在slicer中的应用（二）

---

Cinematic rendering

本次教程中所使用的模块已经较前有明显的提升，尤其是对腹部脏器CT影像（肝脏、胰脏、脾脏）的自动分割，准确度还是挺高的；脑部肿瘤T1增强也很好，但海马的自动分割效果差强人意，大家可以用自己的数据试试。

---

PC：win10系统 64位 或 MacOS

3D Slicer 2.11.0 版本 12月份以后的版本

需要互联网连接

Machine Learning & auto-segmentation

在国外，为了促进机器学习在医学影像上的应用，有专门提供用于机器学习的各种数据集，还会有各种挑战赛，让IT研究人员用相同的数据集来训练模型，评选出最优化的方案。反观国内，机器学习的技术并不是很高的门槛，很多公司和IT院校都能做，但数据确成了遏制机器学习发展突破的主要因素。数据脱敏和清洗的方法很简单，所以患者隐私已不是主要的技术问题，打破数据孤岛的壁垒，让更多数据链接发挥价值，提高医疗诊疗效率，最终也是惠及患者。