Как применяют нейросети для оценки томограмм?

Существует ряд технологий и методологий создания искусственного интеллекта (примеры ниже). Эта статья посвящена одной из них – искусственным нейронным сетям (ИНС). Ниже мы представляем конкретное введение в ИНС и обзор практических приложений. Также стоит отметить, что можно о преимуществах использования нейронных сетей в компьютерной томографии узнать на сайте, перейдя по ссылке.
Начнем с основ: ИНС – это вычислительный инструмент, моделирующий работу человеческого мозга в упрощенном виде (или набор простых вычислительных единиц, которые обрабатывают данные, взаимодействуют друг с другом и работают параллельно). Иногда термин искусственные нейронные сети также используется для описания области, связанной с построением и исследованием таких сетей. ИНС существуют уже почти 50 лет, а простые сети уже давно используются, например, для распознавания рукописного ввода.
Вдохновением для ИНС послужило построение естественных нейронов, которое выглядит так:
Конечно, искусственный нейрон функционирует по несколько иным принципам – мы можем сказать, что искусственный нейрон – это особый объект (или простая вычислительная единица), который обрабатывает сигналы, взаимодействует и взаимодействует с другими такими объектами. Простейшая нейронная сеть, состоящая из одного или нескольких независимых нейронов Мак-Каллока-Питтса (являющихся одной из математических моделей нейрона), называется перцептроном.
Искусственные нейронные сети часто восхищают инженеров, в том числе потому, что они имитируют ряд довольно удивительных свойств человеческого мозга, таких как:
высокая степень параллельности передачи импульсов
способность работать с неполной, противоречивой или “зашумленной” информацией
небольшой размер и потребление энергии
гибкость действий – обучение как способность адаптироваться к меняющимся ситуациям без необходимости программировать действие
высокая устойчивость к повреждениям и гибели клеток.
Вышеупомянутые особенности, в свою очередь, дают ряд преимуществ ИНС:
способность учиться на примерах так же, как человек учится на опыте, и повторяя информацию
способность обобщать явления (классификация) – например, разделение отказов трансформаторов на типы
способность интерпретировать зависимости и явления, содержащие неполную / ошибочную информацию, например, в задаче аппроксимации кривой данной энергетической характеристики
параллельность обработки информации – особенно важно для обработки информации в реальном времени, например, нейрокомпьютер Mitsubishi, используемый для распознавания речи и обработки изображений
низкая стоимость конструкции по отношению к скорости обработки информации – большое количество простых (и дешевых) процессоров
устойчивость к повреждению систем – благодаря большому количеству нейронов ИНС не должна работать некорректно после потери части нейронов.