In diesem Werk wird beschrieben, wie Deep Learning im Gesundheitswesen mit Bild- oder Textinformationen zum Treffen sinnvoller Entscheidungen beitragen kann. Derzeit besteht in der medizinischen Bildverarbeitung ein zunehmender Bedarf an zuverlässigen Deep-Learning-Modellen wie neuronalen Netzen, Convolutional Neural Networks, Backpropagation und rekurrenten neuronalen Netzen beispielsweise für die Einfärbung schwarz-weißer Röntgenbilder, automatische maschinelle Übersetzungen, die Objektklassifizierung auf Fotos/Bildern (CT-Scan), die Anzeige von Schrift oder nützlichen Daten (EKG), die…mehr
In diesem Werk wird beschrieben, wie Deep Learning im Gesundheitswesen mit Bild- oder Textinformationen zum Treffen sinnvoller Entscheidungen beitragen kann. Derzeit besteht in der medizinischen Bildverarbeitung ein zunehmender Bedarf an zuverlässigen Deep-Learning-Modellen wie neuronalen Netzen, Convolutional Neural Networks, Backpropagation und rekurrenten neuronalen Netzen beispielsweise für die Einfärbung schwarz-weißer Röntgenbilder, automatische maschinelle Übersetzungen, die Objektklassifizierung auf Fotos/Bildern (CT-Scan), die Anzeige von Schrift oder nützlichen Daten (EKG), die Erstellung von Bildunterschriften usw. Zuverlässige Deep-Learning-Methoden, die zu einer besseren Wahrnehmung oder besseren Ergebnissen beitragen, sind somit ein wichtiger Faktor für digitale Anwendungen im Gesundheitswesen, die zu den Herausforderungen der heutigen Zeit zählen. Vor diesem Hintergrund präsentiert das Werk auf Grundlage von Beiträgen aus aller Welt zuverlässige Modelle für Deep Learning oder Deep Neural Networks, die für Anwendungen im Gesundheitswesen genutzt werden. Nach einer Einführung in das Thema werden die Voraussetzungen, die Bedeutung, Probleme und Herausforderungen der aktuell verfügbaren Deep-Learning-Modelle dargestellt (einschließlich innovativer Deep-Learning-Algorithmen/-Modelle von Medicare für die Heilung von Krankheiten), und es werden die Chancen für unterschiedliche Forschungsgemeinschaften sowie etliche Forschungslücken bei Deep-Learning-Modellen (für Anwendungen im Gesundheitswesen) aufgezeigt.
Amit Kumar Tyagi is an assistant professor and senior researcher at Vellore Institute of Technology (VIT), Chennai Campus, India. He received his PhD in 2018 from Pondicherry Central University, India. He has published more than 8 patents in the area of deep learning, Internet of Things, cyber physical systems and computer vision.
Inhaltsangabe
Preface xix
Part I: Deep Learning and Its Models 1
1 CNN: A Review of Models, Application of IVD Segmentation 3 Leena Silvoster M. and R. Mathusoothana S. Kumar
1.1 Introduction 4
1.2 Various CNN Models 4
1.2.1 LeNet-5 4
1.2.2 AlexNet 7
1.2.3 ZFNet 8
1.2.4 VGGNet 10
1.2.5 GoogLeNet 12
1.2.6 ResNet 16
1.2.7 ResNeXt 21
1.2.8 SE-ResNet 24
1.2.9 DenseNet 24
1.2.10 MobileNets 25
1.3 Application of CNN to IVD Detection 26
1.4 Comparison With State-of-the-Art Segmentation Approaches for Spine T2W Images 28
1.5 Conclusion 28
References 33
2 Location-Aware Keyword Query Suggestion Techniques With Artificial Intelligence Perspective 35 R. Ravinder Reddy, C. Vaishnavi, Ch. Mamatha and S. Ananthakumaran
2.1 Introduction 36
2.2 Related Work 39
2.3 Artificial Intelligence Perspective 41
2.3.1 Keyword Query Suggestion 42
2.3.1.1 Random Walk-Based Approaches 42
2.3.1.2 Cluster-Based Approaches 42
2.3.1.3 Learning to Rank Approaches 43
2.3.2 User Preference From Log 43
2.3.3 Location-Aware Keyword Query Suggestion 44
2.3.4 Enhancement With AI Perspective 44
2.3.4.1 Case Study 45
2.4 Architecture 46
2.4.1 Distance Measures 47
2.5 Conclusion 49
References 49
3 Identification of a Suitable Transfer Learning Architecture for Classification: A Case Study with Liver Tumors 53 B. Lakshmi Priya, K. Jayanthi, Biju Pottakkat and G. Ramkumar
3.1 Introduction 54
3.2 Related Works 56
3.3 Convolutional Neural Networks 58
3.3.1 Feature Learning in CNNs 59
3.3.2 Classification in CNNs 60
3.4 Transfer Learning 61
3.4.1 AlexNet 61
3.4.2 GoogLeNet 62
3.4.3 Residual Networks 63
3.4.3.1 ResNet-18 65
3.4.3.2 ResNet-50 65
3.5 System Model 66
3.6 Results and Discussions 67
3.6.1 Dataset 67
3.6.2 Assessment of Transfer Learning Architectures 67
3.7 Conclusion 73
References 74
4 Optimization and Deep Learning-Based Content Retrieval, Indexing, and Metric Learning Approach for Medical Images 79 Suresh Kumar K., Sundaresan S., Nishanth R. and Ananth Kumar T.
4.1 Introduction 80
4.2 Related Works 82
4.3 Proposed Method 85
4.3.1 Input Dataset 86
4.3.2 Pre-Processing 86
4.3.3 Combination of DCNN and CFML 86
4.3.4 Fine Tuning and Optimization 88
4.3.5 Feature Extraction 89
4.3.6 Localization of Abnormalities in MRI and CT Scanned Images 90
4.4 Results and Discussion 92
4.4.1 Metric Learning 92
4.4.2 Comparison of the Various Models for Image Retrieval 92
4.4.3 Precision vs. Recall Parameters Estimation for the CBIR 93
1 CNN: A Review of Models, Application of IVD Segmentation 3 Leena Silvoster M. and R. Mathusoothana S. Kumar
1.1 Introduction 4
1.2 Various CNN Models 4
1.2.1 LeNet-5 4
1.2.2 AlexNet 7
1.2.3 ZFNet 8
1.2.4 VGGNet 10
1.2.5 GoogLeNet 12
1.2.6 ResNet 16
1.2.7 ResNeXt 21
1.2.8 SE-ResNet 24
1.2.9 DenseNet 24
1.2.10 MobileNets 25
1.3 Application of CNN to IVD Detection 26
1.4 Comparison With State-of-the-Art Segmentation Approaches for Spine T2W Images 28
1.5 Conclusion 28
References 33
2 Location-Aware Keyword Query Suggestion Techniques With Artificial Intelligence Perspective 35 R. Ravinder Reddy, C. Vaishnavi, Ch. Mamatha and S. Ananthakumaran
2.1 Introduction 36
2.2 Related Work 39
2.3 Artificial Intelligence Perspective 41
2.3.1 Keyword Query Suggestion 42
2.3.1.1 Random Walk-Based Approaches 42
2.3.1.2 Cluster-Based Approaches 42
2.3.1.3 Learning to Rank Approaches 43
2.3.2 User Preference From Log 43
2.3.3 Location-Aware Keyword Query Suggestion 44
2.3.4 Enhancement With AI Perspective 44
2.3.4.1 Case Study 45
2.4 Architecture 46
2.4.1 Distance Measures 47
2.5 Conclusion 49
References 49
3 Identification of a Suitable Transfer Learning Architecture for Classification: A Case Study with Liver Tumors 53 B. Lakshmi Priya, K. Jayanthi, Biju Pottakkat and G. Ramkumar
3.1 Introduction 54
3.2 Related Works 56
3.3 Convolutional Neural Networks 58
3.3.1 Feature Learning in CNNs 59
3.3.2 Classification in CNNs 60
3.4 Transfer Learning 61
3.4.1 AlexNet 61
3.4.2 GoogLeNet 62
3.4.3 Residual Networks 63
3.4.3.1 ResNet-18 65
3.4.3.2 ResNet-50 65
3.5 System Model 66
3.6 Results and Discussions 67
3.6.1 Dataset 67
3.6.2 Assessment of Transfer Learning Architectures 67
3.7 Conclusion 73
References 74
4 Optimization and Deep Learning-Based Content Retrieval, Indexing, and Metric Learning Approach for Medical Images 79 Suresh Kumar K., Sundaresan S., Nishanth R. and Ananth Kumar T.
4.1 Introduction 80
4.2 Related Works 82
4.3 Proposed Method 85
4.3.1 Input Dataset 86
4.3.2 Pre-Processing 86
4.3.3 Combination of DCNN and CFML 86
4.3.4 Fine Tuning and Optimization 88
4.3.5 Feature Extraction 89
4.3.6 Localization of Abnormalities in MRI and CT Scanned Images 90
4.4 Results and Discussion 92
4.4.1 Metric Learning 92
4.4.2 Comparison of the Various Models for Image Retrieval 92
4.4.3 Precision vs. Recall Parameters Estimation for the CBIR 93
