張大衛 || Medical Image Segmentation || 2024/1/17 ||

[音樂] 大家好，我叫di CH， 來自金屬實驗室，這是一個醫學 數據分析實驗室，我也是國立臺灣大學和加州科學院 數據科學學位項目的博士生， 所以在我們之前 開始我 希望每個人都嘗試一件事，所以我 認爲每個人都有 這個呃整個研討會的幻燈片的鏈接， 所以請找到請使用 此鏈接找到 這個文件夾，這是呃醫學圖像 分割，這是我們的第一 部分， 在這裏請選擇嗯請打開 這個文件所以這是呃槓桿滑動 分割做IPython筆記本所以是的 請好吧抱歉但是請 每個 參與者呃點擊你的Wi-Fi並 搜索Wi-Fi名稱和密碼 是2312 3 4 五六，是的，這是 n 醫院的電話號碼， 請確保您連接到 該 Wi-Fi 好吧，是的，因爲如果您想打開 此文件，您需要使用呃，此 文件已放在網上，我們已連接 到 Google 合作實驗室 這是 Google 提供的呃工作區，所以你需要 使用 Wi-Fi 連接到這個 文件，好吧，稍後我們將 在這個文件中進行演示，所以是的，請 提交到 互聯網，好吧，所以呃，所以請先嚐試 是否 你可以打開這個文件，如果 你有問題，請在 我們繼續之前嘗試解決它， 好吧，好吧，讓我回到 主題，好吧，嗯，這是我們的第一 部分，稱爲呃醫療 IM 分割 ，所以是的 所以我將 介紹呃我們在 整個研討會中將做什麼，所以我們將有五個 部分，我將進行一些 介紹，然後我將 在第一部分中介紹呃我們的主要主題， 即呃醫學圖像分割 ，我 我會做一些介紹，我 將介紹 在計算機中進行醫學圖像分割的數學知識， 然後我們會 舉手，好吧，如果您發現呃，您對 今天的內容感興趣，或者您 對技術細節感興趣，或者 您 對醫療人工智能感興趣， 所以我們的實驗室有一個名爲 Medas school 的分支機構，您可以通過 uh medas school 訪問它。 a，你可以 在這裏找到一些有用的資源是的，所以我們 有一些關於醫療人工智能的教程， 包括概述和技術 編程 是的， 所以現在我們開始介紹 你將在整個研討會中學到什麼以及你將看到什麼， 所以 這次研討會 圍繞一個主題，稱爲 醫療人工智能或醫療人工智能 或智能 醫療，好吧，首先讓我介紹一下 什麼是人工智能，所以我們說人工智能，因爲這是 最近非常流行的術語，人工智能意味着 我們想讓計算機 或子 機器來模仿人類的呃行爲， 所以我們希望它們擁有 人類創造的智能，所以 它被稱爲呃人工智能， 所以醫療人工智能意味着人工智能使用醫學來 使用醫學，所以我們在醫療領域使用人工智能 來解決 醫學呃醫學 問題，後來你可能會聽到一些關於 機器學習或深度 學習的術語，所以它是一種 解決人工智能問題的技術呃它是一種 實現人工智能的方法 而機器學習是呃是一種 讓計算機 通過 數據本身來學習知識， 深度學習是機器學習的一個特例， 這意味着我們使用 神經網絡來學習 任務，你可能會問爲什麼我們需要 醫療人工智能，所以呃我們認爲醫療人工智能可以 幫助醫生幫助人們 因爲人工智能是由計算機執行的， 所以計算機可以打破人類的一些限制， 所以他呃人工智能可以 指出你的醫療數據中的一些微妙部分， 比如圖像上非常小的腫瘤 和這種呃 腫瘤 或這種跡象很容易被 裸露的人類錯過，所以是的，通過 使用人工智能，它有機會讓 人類注意到有一個 小腫瘤，這可以幫助醫生 實現更高的目標 診斷的精確性和準確度 ，特別是在 疾病的早期 階段，還有一個優點是人工智能可以 篩選監控和彙總 大量數據，而且一天24小時 不會累，只需要吃 東西就可以了。 呃電，所以人類會 很累，所以人類應該以更 有價值的方式使用，就像呃醫生應該 更多地關注決策本身 而不是 日常生活，呃最後一個是人工智能可以 提供一種新型的 測量來呃幫助 臨牀 決策，我們認爲這種 測量可能會增加增強 精度精度 醫療保健的能力，或者您可以 爲每個人找到合適的解決方案 好吧所以那麼 您將在本次研討會中看到什麼 所以我們將涵蓋 醫療人工智能核心組件中的一些概念所以 我們將在醫療圖像中瞭解醫療人工智能中的一些概念， 例如 本節的醫學圖像分割 和下一節的醫學圖像分類 以及醫學圖像 註冊我們將 是第三部分，我們將 在非醫學圖像應用中給出一個例子， 即心電圖分析， 然後我們將有一個主題呃一個 培訓主題，這是呃生成人工智能 所以如果你不這樣做 注意生成式人工智能， 你可以認爲它是一種 感覺，就像聊天 GPT 或呃中間 旅程， 所以好吧，所以我們將 在醫療背景下介紹生成式人工智能，這將是 我們最後一節中的醫學健康中的生成式人工智能 最 重要的是我們將提供 懸掛讓每個人 對深度學習或 人工智能如何在計算機中工作有一些概念，也許 你可以從中得到一些想法 好吧所以是的所以再次歡迎 大家參加這個研討會 現在我們 將正式開始我們的第一 部分，所以第一部分是醫學 圖像分割，首先我將做 一些介紹，所以首先我們應該 呃介紹什麼是醫學圖像， 所以醫學圖像意味着 從醫療過程中生成的圖像 或者 有時我們會稱之爲醫學 成像，醫學成像是一種 生成圖像供人類 觀察人體的技術，或者是的， 任何類型的身體都可以， 呃，所以這種圖像可以可視化 身體結構或功能， 它 可以提供一些呃臨牀信息 或者用於臨牀 分析，好吧，所以稍後我們將使用CT作爲 例子，n城市是一種呃計算 斷層掃描，它是一種 使用X射線來觀察 身體內部的技術，它可以 顯示解剖 結構，它還可以顯示 異常，如腫瘤或呃任何其他 類型的 結構，好吧，接下來我們會說，我們 是醫學 IM 意味着分割，那麼 分割在這裏意味着什麼，所以 分割意味着我們想要找到 有意義的部分 在圖像中， 例如在頂部圖像中，我們會看到它 是一張照片，我們想指出 哦，這裏是一輛汽車，這裏是一條道路， 這裏是一座建築物，這裏是一條呃 人行道，所以分割將是 看看下面的 圖片，就像下面的圖片一樣，我們會 指出，好吧，這裏有一輛車， 那裏有一輛車，哦，嗯， 我可以改變 顏色嗎，不，好吧，所以這裏有一輛車，這裏那裏都有 一輛車 這裏是柵欄， 這裏有植被， 這裏有一座建築物， 所以看看這個圖像，讓計算機 識別哪些部分應該是 黃色，哪些部分應該是紅色， 這種任務稱爲 分割，好吧，所以在 醫學背景下， 醫學免疫分割意味着我們 想要找到一些有意義的區域， 這種區域可能像 醫學圖像中的器官或結構（如腫瘤或骨骼）、骨骼和 EXO 等的一部分， 就像我們的 今天的例子，我們 想在 CT 切片中找到槓桿，所以 這是一個城市切片，有很多 器官，肝臟就在這裏，所以我們 想讓計算機將這個區域着色爲 肝臟，所以我們在右側提供 一個數字 爲了展示呃，有很 多種呃情況，你可以使用 醫學圖像分割， 你可以做很多很多事情， 所以我們介紹了什麼是醫學 圖像分割，但是當我們需要 使用醫學圖像分割時， 對於人類來說就像這樣我們 可以很容易地看到 器官在哪裏所以爲什麼我們需要計算機這樣 做所以嗯這是一個原因所以我們需要 計算機呃識別這個 器官在哪裏或者這個興趣區域在哪裏 因爲呃我們想用它來進行 進一步的分析所以像 在臨牀 使用中，它可以用來設計 pal 植入物，以規劃手術來檢測 病變，或者它可以用於跟蹤 異常情況，重要的是進行 進一步的人工智能分析，例如，如果您需要 使用人類來 圈出 首先將器官 放入人工智能中，它將以某種方式成爲人類 實驗室，這不是我們想要的東西， 所以我們想要一個模型，我們希望人類 擺脫勞動力，所以我們想要模型 做我們想要用人工智能做一些事情 實驗室的東西和分割就是 這種東西之一，所以在我們 之前的工作中，我們使用呃分割來 作爲預處理或 分類，所以這個呃這個 框架可以用來檢測是否 存在胰腺癌 CT， 我們會把CT放到一個分割 模型分割AI模型中，讓AI 生成一個胰腺的分割， 然後我們會用另一個AI模型來 分析這個區域是否有腫瘤 ，然後我們就可以告訴醫生 是否有 是胰腺 腫瘤，所以是的，在這種情況下， 分割對於圓形查詢胰腺起着非常重要的 作用， 所以是的，這是 我們需要使用 分割進行機器學習或 人工智能 開發的一個重要原因，好吧好吧 所以現在你 知道什麼是圖像醫學圖像 分割以及爲什麼我們需要使用它， 但在我們開始呃談論 方法之前我們會呃看看 圖像本身所以因爲我們想使用 計算機來運行人工智能所以 我們需要 知道計算機中的圖像是什麼，因此 在計算機中，您看起來像這樣的圖像 實際上是由數組存儲的，因此 像這樣的二維圖像存儲在二維 數組中，當然三維 圖像存儲在三維數組中 數組所以數組意味着我們將值 或一些數字放入呃排序中，將 其排序爲一個正方形或立方體 ，每個像素呃如果你放大 這 部分你會發現它是由許多 小正方形組成的 這個小 方塊稱爲像素，每個像素都由 一個值表示，該值表示 亮度或顏色，因此在本 例中我們使用零來表示 黑色區域，因此您會發現 這裏的每個小方塊都會標記 爲零，並且一些方塊 這裏會被 標記爲 uh 其他值，例如 0 uh 643 比 0 uh 526 亮，所以實際上這個 20 x 15 像素的小矩形區域是由 這個 uh 二維數組表示的，所以你 可以想象實際上整個圖像是 由 一個 巨大的此類值的數組 好吧那麼分割 意味着什麼好吧實際上在 計算機中圖像分割 意味着我們知道每個像素都有它的值 所以我們想使用這個值來 決定你的興趣區域是否是 在這個像素內部，哪個像素 代表槓桿，哪個像素 代表背景，在這個例子 和這個小區域中，這個小區域 我們會說這個部分，所以這個部分 應該是Li，所以我們想將此 像素標記爲槓桿，就像標記它一樣 作爲一個， 我們想將背景的另一部分標記 爲零，並通過標記這個 呃圖像，這意味着我們進行 分割，我們將得到這種 僅包含零個 紫色部分和一個黃色部分的圖像 圖像稱爲分割 掩模，所以計算機中的分割 意味着我給你一個圖像， 所以我希望你找到這個分割 掩模，這個分割掩模 與原始圖像具有相同數量的像素， 但它必須指出哪個部分 是感興趣的區域 哪一部分 不太好， 所以在一切開始之前，我 想我們可以 在這裏進行一些關於 CT 的介紹，因爲稍後 我們將使用 CT 作爲我們的示例圖像，所以 CT 是計算機 斷層掃描的縮寫，所以它是通過 測量獲得的 體內不同組織對 X 射線的衰減， 所以 就像這張圖像中的每個像素都可以 代表一種呃物質，所以如果 像素顯示它 就像呃最小負千，這意味着 呃這個像素中有空氣，如果 它 介於負 120 到 負 9 90 之間，這可能意味着該像素 代表脂肪區域，如果爲零，則爲 水，22 100 表示組織 和緻密骨骼具有 uh H 值，或者 此處的像素值更大 超過 300 好吧，所以呃你會發現實際上 H 值的範圍可能非常寬，所以 如果我直接繪製 CD 切片，你 會看到圖像在左側， 所以它的對比度不太好， 所以我們找不到 呃， 這張圖像中軟組織的詳細結構， 所以實際上我們會做一些 窗口技術來點擊 我們不想要的部分，所以 就像我們將把 負-2 200的實際值放在所有的 爲零，它會增加 圖像的對比度，最後你會看到 右側的圖像， 我們的人類可以清楚地觀察到 這個圖像，所以它就像是 原始的 CD 切片，你可以發現該 值是 範圍很廣，從 700 到 100 正 100，在做 窗口之後，我們將把這部分全部剪 爲零，這意味着這裏是空氣或 呃一些不是軟組織的 ，我們將把 其他呃值放在其他中 所以它 可以使圖像具有呃更清晰的 對比度好吧所以現在我們準備 介紹一些 在計算機中進行醫學圖像分割的方法 所以 嗯在計算機中我們如果我們想做 醫學圖像分割呃我們可以使用 基於行的方法，這意味着我們 手動分配一些條件來過濾 掉我們想要的像素，因此這個 條件應該非常具體，比如 明亮的像素不是一個好的 條件，它應該是該 值大於 0.9 的像素，就像它應該的那樣 非常具體 ，這裏有一些 r 的示例類型， 如果您對此感興趣，可以在本次研討會之後閱讀它，並且 這種方法的主要問題 是很難 找到通用增長 這可以 適用於每個輸入圖像，所以我稍後會向 您展示此類問題， 所以好吧，讓我們嘗試使用基於 Ro 的 考試 uh Ro 的方法來 從該圖像中分割槓桿，所以首先我們 考慮使用閾值來過濾 掉哪些 圖像的一部分就像 軟組織一樣，所以我們可以使用 大於零或大於 0.6 或 0.05 或 0.95 的像素，您可以發現當設置 爲零時，您會過濾掉幾乎所有內容， 這不是我們想要的，因爲 我們 只是想過濾掉槓桿， 像 0.5 也不是一個好的選擇， 因爲槓桿部分在 這個閾值下消失了，所以我們可以篩選它， 也許我們認爲 0.65 是閾值的一個不錯的選擇， 因爲如果我們使用 這個閾值保持它 可以過濾掉槓桿，並且槓桿 從其他結構中分離出來， 所以因爲利弗是 使用這個閾值進行結構分離的，我們可以 進一步採取某種技術來 去除其他連接組件並 保留最大的一個，即 槓桿 在這裏，最後我們可以使用一些 技術來填充 這個分割掩模的小洞，最後我們 可以獲得 可接受的槓桿，所以現在我們 建立一個規則來分割槓桿，所以 首先是選擇 值較大的像素 大於 0.65 然後我們在這裏保留最大的 分量，然後我們填充 hes 所以在這裏我們生成一行 row 或者我們調用 算法來分割槓桿， 現在讓我們看看是否可以使用 這個規則來分割另一個 CT 切片中的槓桿 所以這是另一個 CT 切片，您會 發現它無法生成槓桿 分割，因此如果您深入研究 ru 本身，您會發現它失敗， 因爲閾值不適合 該圖像，因此 0.65 不適合此示例 合適的應該是 0.45 所以這裏指出了問題如果我 改變情況我必須調整 規則以便我可以做我們 想要的事情所以它對我們不滿意 因爲我們不想呃讓人類來 調整這個 每個圖像的閾值， 所以最後我們將使用深度 學習方法進行槓桿 分割，機器學習或 深度學習方法是讓 計算機學習規則，不是通過 我們告訴它們規則，而是如果你 想讓計算機 計算機學習 你必須支付某些東西的規則，在這裏 你必須提供一些例子來證明 它是否是一個好的槓桿 分割，所以在這裏我寫下了 一些你會在深度學習中聽到的術語 ，你可以呃 檢查 在這次研討會之後，我 將直接使用這個圖來 解釋深度學習是如何 進行的，所以首先我們必須準備 我們的交易數據，這意味着我們將 使用這些數據來教計算機 如何進行分割，就像 這樣 問題是 CT 切片， 這就是答案，它應該是 div 分割掩模，我們還將爲 計算機提供一個模型架構，因此您 可以想象模型架構是一種 模板，其中有許多空白 供計算機填充和通過 在空白處填寫正確的呃數字，它 可以進行分割，但如果 在錯誤的數字中失敗，則無法進行 分割，因此要找到正確的長度， 否則我們將在深度學習中調用參數或權重， 因此我們將使用 訓練過程來 通過輸入訓練數據來找到這些參數或權重， 並 使用稱爲 L 函數的函數觀察其是否表現良好， 然後我們將使用 Optimizer 更新參數或 權重以使該模型更好， 重複此過程最終我們將得到 一個 很好的模型，可以 很好地執行槓桿分割，因此在測試用例中， 如果我們得到一個新的 CD 切片，我們可以將 其放入趨勢模型中，我們可以獲得 槓桿 分割，這就是深度 學習的工作原理，我們將在 稍後動手，這裏有一些關於 深度學習的優點，比如呃，你可以使用 像 nunet 這樣的通用架構， 這樣你就可以執行多種分段 任務，這意味着你不必花 時間來選擇架構，而且 你也不需要這樣做。 不需要根據具體情況調整算法， 您只需要訓練一個 模型，它可以針對舊的情況進行訓練，在 模型訓練後，它可以 對新的數據進行非常快速的分割， 但它也有一些缺點，例如 嗯， 如果你給模型提供了錯誤的訓練數據， 它可能會爲你提供錯誤的模型，並且 就像訓練模型本身一樣，可能會花費 大量時間和計算資源， 而且深度學習還存在一些普遍問題， 例如我們不知道 什麼模型 實際上是這樣做的，它具有 一定的可解釋性，而且 這個模型是否可以 在訓練數據之外表現良好也是一個問題， 所以但無論如何深度學習是一種 非常強大的圖像 分割技術，所以我們會在我們的人工智能中使用它 現在 好吧，現在我只是完成所有呃 分段介紹，現在 我們將有一個關於如何 進行 分段的演示，真正 在計算機中進行分段， 所以我認爲您可以訪問此鏈接， 您會看到 您將看到這個呃窗口，所以 首先請單擊此處的文件，然後 單擊在驅動器中保存副本， 這樣您的更改 將安全地保存在您的驅動器中，因此如果您 直接在此原始筆記本上運行某些內容， 那麼更改將獲勝 不安全，好吧，所以這是筆記本的副本 ，存儲在您的驅動器中，所以 如果您修改它，您可以保存 Lisk 呃， 您可以保留您的 更改，現在我們將執行一個 非常複雜的 過程， 好吧，所以現在我們 我們將設置 執行此程序的環境，因此 請單擊“循環時間”並 在此處更改循環時間類型，並確保您 使用的是 rtime 類型 Python 3 並將 硬件加速器用作 T4 GPU， 因此如果您不設置此內容 你會 發現你的訓練過程會非常 慢非常慢，所以是的，請檢查 這部分， 在檢查你是否可以開始 運行這個呃筆記本之後，在 運行之前你必須準備數據，所以在這裏 你可以找到鏈接 因此，在 標題下，在此處準備數據集，您 可以單擊此鏈接， 它會引導您找到一個 文件，因此您無需下載此 文件，所以現在請單擊此 圖標，此處可能需要 等待 好吧，它顯示了一些與昨天不同的東西， 我哦，好吧， 所以 這 發生了，好吧，這是三個 好吧，所以如果你打開這個文件，你會 發現這裏有一個圖標，這意味着 呃在你的呃驅動器文件夾中創建一個新的快捷方式， 所以 請點擊這個 並將其直接放在您的幻燈片下，呃，在 您的驅動器文件夾下，也就是 這個，所以如果您正確執行此操作，您 可以在 您的 Google 雲端硬盤下找到一個文件， 現在我們可以回到我們的筆記本， 我們 想要將驅動器安裝 到此筆記本中，以便我們可以在此處訪問該文件， 因此請單擊此處的圖標， 此處有一個文件夾圖標， 此處是按鈕，看起來像 這樣的此圖標 ，如果您單擊它，它會詢問 你 呃運行一個單元格來安裝你的Google Drive， 所以如果你想運行 該單元格，只需單擊Cale左側的呃播放按鈕， 或者你可以 使用呃Control Plus Enter來執行此操作， 好吧，運行這個 他們會 詢問許可並保持 ler 許可，因此將 您的驅動器安裝到此筆記本中需要一些時間， 如果正確，您可以 單擊此按鈕刷新 左側的呃文件夾，您 會發現 這是 Dr dve dve 文件夾 ，這是我的驅動器文件夾，在 此文件夾下，您將在 Google 雲端硬盤中找到文件 ，這裏應該有一個 名爲 demo ny 的文件。 陡峭，這樣做後，您可以運行 此銷售，這樣 Cale 會將這個 Z 文件提取到我們的 工作區中，因此，如果您的文件沒有 直接放在我的驅動器下，那麼您 必須更改 呃，您必須將此處的路徑更改 爲 這個文件的正確路徑，但是 你可以把文件放在 你的 驅動器下面，這樣你就可以運行下 一個 Cale，我們想要 安裝一個名爲 monai 的包，我們 將使用這個包將我們的 醫學圖像處理成 我們可以 放入深度學習 模型的類型，是的，在安裝了 monai 之後，我們現在可以導入我們 想要在這個示例中使用的所有包，所以這裏 有很多我們想要使用的包， 有時需要一些導入 到目前爲止，所有 軟件包都 還好， 或者 呃，好吧， 那麼每個人都 成功完成了這一步， 還是有人需要一些幫助， 所以您的意思是重複 上一步，然後再重複上一步，瞭解 如何將文件放入您的 驅動器，好吧，那麼在您之後 將 文件放入您的驅動器中，請單擊 嗯，請單擊此 按鈕，單擊此按鈕後，它將 顯示此銷售，它將在 此處創建銷售，您可以單擊 此處的“運行”按鈕，單擊它，它會要求您 授予其權限 嗯安裝 驅動器，然後單擊我同意是的， 好的，然後運行此 銷售將文件提取到 工作區中， 如果成功完成，您將 看到有一個演示呃 Nifty 這裏將 在您的 工作區中創建並且 那麼你只需要如果 你的CS單元只是呃只是運行這個， 你可以稍後做所有事情 好吧 好吧 所以現在實際上你可以呃你可以 點擊錯誤的時間並點擊錯誤的全部並且 在這裏看不到任何代碼你也可以得到 您還可以發現它會完善 一些結果，但在這裏我將呃呃 一一執行單元並解釋 它在做什麼，我不會做 詳細解釋，所以如果您對 技術細節感興趣，您 可以看到 這個呃筆記本上的 EXP 解釋， 所以首先我們將準備我們的 數據集，就像我們在這裏準備了一個數據 列表一樣，我們將它加載到我們的 筆記本中，嗯，你會發現 這個數據列表中有 131 個數據，並且每個 數據都形成 通過圖像路徑和 標籤路徑，這意味着 呃，我們想要進行分割的城市切片 放在這裏，它是地面 Tru分割，這就是答案， 放在這個文件的標籤中， 現在我們想將它分割成 訓練集和測試集， 因爲我們將使用訓練集來 訓練模型，之後我們 必須使用除了 訓練集之外的一組來測試我們的 模型是否表現良好，所以我們必須 堅持下去 從訓練集中提取一個測試集 並執行它，因此我們將把 1004 個數據分成訓練集，將 27 個數據 分成測試 集，現在我們使用 monai uh 變換將文件 名轉換爲真實圖像並轉換爲 數組 可以準確地放入呃 deing 模型，這樣您只需單擊 執行按鈕或運行按鈕， 這裏我們準備一些函數來 繪製圖像，因此只需單擊運行 ，現在我們可以測試我們在變換中所做的事情， 以便測試反變換 這個變換我們只會讀出 圖像，呃我們會改變一些間距， 但我不會在這裏解釋這個細節， 你會發現這是原始 圖像，這是通過 槓桿分割的基礎，好的，對於 訓練變換，我們 做一些棘手的 事情，這樣你會發現呃，原始圖像中有一個 四個補丁作物 ，它是 相應的cro分割掩模， 如果你重新進行這次銷售，你會發現它 會給你一個隨機的新作物呃新的 四個 補丁，所以這是 因爲每個圖像 都有不同的大小，所以出於某些技術 原因，我們希望輸入數據具有 相同的大小，因此爲了解決這個問題，我們將使用一種 稱爲側窗推理 技術的技術，這意味着在訓練 階段我們將呃裁剪隨機裁剪 呃a 來自圖像的相同大小的補丁，我們 只在這個補丁中進行分割 ，在測試用例中，我們將運行我們 將通過滑塊窗口提取所有補丁， 所以我們將有很多補丁， 我們將對每個補丁進行分割 補丁，然後我們將所有 分割結果形成 爲整個 分割的圖像，因此您會發現在 趨勢變換中，我們將爲 隨機選擇的 補丁生成它， 好吧，現在我們可以使用此變換來 生成我們的數據列表 因此，單擊“運行” 按鈕，您將開始生成一個 緩存數據集，這 對於我們的訓練 過程來說將更加高效，我們可以 根據我們的數據集定義一個數據加載器，而數據加載器 意味着我們可以使用它來取出 數據 從數據 集中，因此對於訓練加載程序，我們將從 訓練數據集中取出數據， 對於測試負載，我們將從測試集中獲取所有數據 ，現在我們準備好準備 模型訓練，因此在處理 數據後，我們可以處理 模型本身， 所以現在我們定義一個模型， 在這裏稱爲 Unit，我們使用這個超 參數來建立 這個 架構，我們在這裏定義一個損失 函數，這意味着損失 ，我們想定義另一個 東西 這裏稱爲優化器，它是 Addam，是的，通過單擊“運行列表”， 您可以定義這個東西，這裏演示了 我們如何真正進行 訓練，因此我們將運行許多 AO，所以 對於 AO 意味着我們將運行所有 數據 一次， 呃，當我們運行數據時，我們將 嘗試更新模型，使 模型變得更好，在運行所有 數據後，一旦我們調用，我們就在 一個 AAC 上運行模型，所以 AO 是 10 意味着呃，我們 爲我們運行 對所有數據集運行 10 次，因此只需單擊它，模型 就會開始趨向趨勢，然後等待它 趨向 趨勢 呃，是的，只需等待，您將需要 花一些時間來喚醒它運行超過 10 個 p，如果您認爲 10 a p 是 不夠的，你可以在它跑完後重新運行它， 你可以再做一個 108 pack 以 獲得 208 p 的模型火車，如果你 再次重新運行它，你可以獲得 308 p 的模型，依此類推，你 可以 在此處更改 AO 編號以 訓練更多 AAC，您可能會得到 更好的 模型，因此如果您想重置 模型，您可以在此處重新運行銷售上行， 然後在此處運行呃訓練過程， 因此我在這裏添加了一些註釋，以便 你可以參考它，好吧，現在 我們訓練模型 10 個 aoch，我們 可以評估這個模型的 表現，所以在這裏我們選擇第一個 數據，稱爲 01 數據並運行 它，所以是的，你可以找到這裏是 原始圖像和原始標籤， 這是原始圖像和模型 預測標籤，因此您可以在 10 AOC 模型可以呃捕獲 qu 後找到好的 槓桿，但它也捕獲其他 結構，所以這裏不太好， 所以您可以嘗試 趨勢另一個 10K 我 重新運行此 銷售，所以是的，您可以等待另一個 10 NK，這樣做後，您可能會發現您的 模型在這個 Cale 中表現更好，所以我 只需單擊“運行”按鈕，它將 開始等待呃此銷售 結束 它會節省銷售，所以是的， 請稍等一下，好吧，是的， 你可能會 發現，呃，它仍然 圍繞着一些呃其他結構，但 不知怎的，它的性能似乎更好，是的， 最後我們可以 在所有訓練中運行這個模型 測試 數據，所以我們有很多測試數據， 對於每個數據，我們將運行模型來 生成分割，我們將 使用 dcore 我將其放在此處的補充中以 評估我們的分割是否 表現良好，因此我們的模型達到了 diece 分數 0.73 所以這不是一個 很好的結果，但是是的，這是 使用深度學習進行 分割的第一步，如果您嘗試調整 此代碼中的參數，就像 您訓練模型以獲得更正式的 參數一樣 或者您在此處更改 滑動窗口推理或 重疊參數的呃補丁大小，您可能會得到 更好的結果 ，實際上通過使用此代碼，您可以獲得 像 這裏這樣的結果，所以如果您正確地訓練模型， 那麼像呃這裏我訓練 200 AAC 的模型，如果你調整 滑動窗口 推理函數中的一些參數，你可以得到 很好的槓桿分割，你的 diod 分數可能是 0.94 或 0.95 好吧，所以 最後如果你發現呃你只想 找到一個趨勢 CT分割模型， 你不想你不想面對你 可以在這裏找到它的代碼，它被 稱爲總分割器，這裏是一個 演示網站，這裏是它的 kop，如果你對狀態感興趣- 最先進的醫學圖像 分割技術，您可以 從 NN 單元開始，它的出版物顯示 在此處，它是它的 kop uh 存儲庫，好的， 這是第一部分的結尾 ，感謝您的 關注