Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
UPORABA MATEMATIKE PRIOBDELAVI IN ANALIZIPODATKOV V MEDICINI
PROF. DR. JANEZ ŽIBERTUP IAM, UL ZF, UL FRI
1UP Janez Žibert
PREGLED PREDAVANJAUporaba matematike v zdravstvu in medicini:
• Statistika
• Napovedni modeli / statistično modeliranje
• Analiza biomedicinskih signalov:• primer EKG signalov,• primer obdelave slik v radiologiji,
2
STATISTIKA• Statistika je znanost, ki se ukvarja s podatki:
• zbira podatke,• analizira podatke.
• Statistika je eno izmed najbolj uporabljenih orodij za analiziranje podatkov iz“živega” sveta:
• kjer je veliko variabilnosti,• kjer se procesi/sistemi ne obnašajo vedno enako,• kjer ne moremo zajeti vseh možnih meritev in stanj,• kjer moramo na podlagi manjše količine podatkov/opazovanj sklepati o celoti.
• Statistika je veja uporabne matematike.
• Statistika ni:• samo zbiranje in štetje podatkov / rezultatov• NI LAŽ!
• Laž, velika laž, statistika!• prof. dr. Andrej Blejec:
• Če pravijo, da statistika laže, bi jaz rekel, da lahko laže samo ljudem, kinič ne vedo.
UP FAMNIT Janez Žibert 3
UPORABA STATISTIKE V MEDICINI• Statistika je v medicini in zdravstvu skoraj edino orodje, s katerim lahko
merimo učinkovitost zdravljenja:• ali je ena metoda boljša od druge,• ali je zdravilo uspešnejše od dugih,• ali lahko na podlagi meritev povemo kaj o bolezni/zdravju. • ...
• Zato je potrebno, da ljudje, ki delajo v zdravstvu, znajo brati statistiko, da se lahko na podlagi rezultatov statistike odločajo o obravnavi/delu s pacientom:
• ni pa potrebe, da znajo izpeljati vse statistične analize in da poznajo vsastatistična orodja in programe za analize.
• Statistiki pa moramo znati na podlagi podatkov in ustreznih statističnih analizustrezno predstaviti rezultate, da jih ljudje iz zdravstva razumejo.
UP FAMNIT Janez Žibert 4
P-VREDNOST
• izračunali smo povprečno vrednost kreatinina na vzorcu zdravih, ki je 82, in na bolnih, ki je 104:
• Radi bi nekaj povedali o trditvi, da se povprečni vrednosti kreatininamed populacijama zdravih in bolnih ljudi ne razlikujeta. To bi pomenilo, da sta povprečji kreatinina zdravih in bolnih ljudi enaki.
• Ker imamo opravka z vzorci, se lahko zgodi, da četudi sta povprečjipopulacij enaki, lahko dobimo razliko med povprečij vzorcev. Zato se sprašujemo, kako verjetna je razlika med povprečjema vzorcev, obpredpostavki, da imata obe populaciji enako povprečje.
• Če drži enakost povprečij, potem se sprašujemo kakšna je verjetnost, da je razlika v kreatininu med našima vzorcema 22 enot.
• Denimo, da znamo oceniti to verjetnost, ki pove, da se takšna razlikapojavi samo v 3% primerov.
UP FAMNIT Janez Žibert 6
ID pacienta spol starost BMI
Kreatinin pred
OP
Kreatinin 1 dan po
OP AKINID00001 1 73 31,2 86 76 0ID00002 1 79 29,9 113 137 0ID00003 1 55 32,0 80 90 0ID00004 1 51 24,8 85 94 1ID00005 1 75 25,7 129 201 1ID00006 2 77 25,9 77 92 0ID00007 1 52 36,0 50 59 0ID00008 2 82 22,5 117 132 1ID00009 2 85 30,1 94 99 0ID00010 1 82 22,2 101 165 1ID00011 2 75 37,0 60 56 0ID00012 2 31 24,5 64 51 1ID00013 1 63 24,2 116 129 0ID00014 2 75 32,7 98 134 1ID00015 1 67 26,9 97 79 0
... … …
AKI No AKI Yes p-vrednost
BMI 27.2 28.1 0.322
kreatinin1.dan po OP
82.0 104.0 <0.001
• V tem primeru je zelo malo verjetno, da zgornja trditev drži.
• Meja, da lahko zavrnemo trditev je v statistiki postavljena na 5%.• Torej, če je verjetnost takšne razlike ob predpostavki enakosti verjetna
v manj kot 5%, primerov, potem lahko trditev zavrnemo in rečemo, da je razlika med vzorcema statistično značilna.
PRIDOBIVANJE PODATKOV• Večji N, bolj zanesljiva statistika.
UP FAMNIT Janez Žibert 7
UKC Ljubljananekaj mesecev
267 pacientov
Klinikum Nuernbergnekaj ur
6700 pacientov
STATISTIČNA ANALIZASplošno:
• Določimo vprašanje, ki ga želimopreveriti v naši študiji.
• Ustrezno formuliramo ničto in alternativno hipotezo.
• Glede na hipotezi izberemo ustrezenstatistični test.
• Izračunamo p-vrednost našegastatističnega testa.
• Odločitev o zavrnitvi hipoteze:• Če je p-vrednost < 0.05, potem
H0 lahko zavrnemo.• Če je p-vrednost ≥ 0.05, potem
H0 ne moremo zavrniti. • Na podlagi odločitve o ničti hipotezi
interpretiramo rezultate v kontekstunaše študije.
UP FAMNIT Janez Žibert 8
V praksi:• Ali je razlika med skupinama?• Ničta hipoteza: pojma nimam.• Ustrezen statističen test: ????• Izračunamo p-vrednost iz našega
testa:• statistični programi.
• Odločitev o zavrnitvi hipoteze: • to znam:
Če je p-vrednost < 0.05, potemH0 lahko zavrnemo.
• Na podlagi odločitve o ničti hipoteziinterpretiramo rezultate v kontekstunaše študije. (tako, tako).
ORODJA ZA STATISTIKO
https://pacs.zf.uni-lj.si/shinyR/apps/stat/compareGroups/
UP FAMNIT Janez Žibert 10
SkupajN = 267
AKI noN=176
AKI yesN=91
p-vrednost
spol:0.839M 168 (62.9%) 112 (63.6%) 56 (61.5%)
Ž 99 (37.1%) 64 (36.4%) 35 (38.5%)
starost 73.8 [66.1;79.5]
72.4 [64.0;78.1]
75.9 [69.9;81.4]
0.003
BMI 27.3 [24.6;30.4]
27.2 [24.5;30.1]
28.1 [24.7;30.8]
0.322
Kreatinin predoperacijo
76.0 [63.0;90.0]
78.0 [66.0;91.0]
69.0 [53.5;90.0]
0.009
kreatinin 1.dan po operaciji
87.0 [73.5;115]
82.0 [70.0;98.0]
104 [85.0;149] <0.001
STATISTIČNO MODELIRANJE• S statistiko lahko ugotovimo, ali obstajajo razlike med
skupinami (zdravi/bolni):• ali obstajajo statistično značilne razlike,• ali so kateri faktorji pomembni, ali ne
• Lahko pa se tudi vprašamo, ali znamo na podlagi teh informacij napovedati bolezen/zdravje, prepoznati stanje pacienta.
• S tem se ukvarja statistično modeliranje• Oziroma strojno učenje.
• V statistiki se s statističnim modeliranjem ukvarja regresijska analiza.
UP FAMNIT Janez Žibert 11
REGRESIJSKI MODELI V MEDICINI
f = modelMetode grajenja modelov:
• vsaka spr. posebej,• vse skupaj, • koračna metoda: vsakič
najboljša spr. v model
UP FAMNIT Janez Žibert 12
𝑋"𝑋#
𝑋$
…
𝑌
𝑌 ≈ 𝑓(𝑋", 𝑋#, … , 𝑋$)
starostspolkrvni tlak
diabetes
BMI
…
krvni parameter 1
napovedana vrednost
preživel/umrl (časovna verjetnost)
bolan/zdrav (verjetnost)
(posplošena) linearna regresija, …
logistična regresija, …
Coxov regresijski model
Vrednotenje modelov:
• da jim lahko zaupamo.
𝐸𝑟𝑟 = 𝑌 − 𝑓(𝑋", 𝑋#, … , 𝑋$)
PRIMER LOGISTIČNE REGRESIJE• Raziskava pojava AKI po srčnih operacijah v bolnišnici Klinikum Nuernberg:
• 6802 pacientov po srčni operaciji, 5458 brez AKI, 1344 AKI• 83 spremenljivk:
• demografski podatki (starost, spol, telesni podatki)• predoperativne bolezni in stanja (diabetes, krvni tlak, KOPB, …)• meritve pred operacijo
• (vključene meritve, ki do sedaj še niso bile obravnavane: serum kreatinin, eGFR, …)
• meritve po operaciji • (večkratno vzorčene)
• izpeljane meritve: (pridobljene po literaturi),• relativne razlike med pooperativnimi in predoperativnimi vrednostmi,• izpeljani indeksi stanja pacienta glede na rizične faktorje:
• Cleveland clinical score, NYHA, …
• Raziskovalna vprašanja: • Kateri parametri vplivajo na razvoj AKI?• Kako dobro lahko napovedujemo razvoj AKI?• Kako hitro lahko napovemo razvoj AKI?
UP FAMNIT Janez Žibert 13
A new algorithm for predicting acute kidney injury after cardiac surgery- scores: design, efficacy and comparison with classical scores.F. Vogt, F. Pollari, A. Bahovec, J. Sirch, J. Zibert, T. Bertsch, M. Czerny, G. Santarpino, T. Fischlein, J. M. Kalisnik
PRIMER LOGISTIČNE REGRESIJE
• Vogt + logistična regresija
UP FAMNIT Janez Žibert 14
Model Odds ratios (CI-95% interval)
AUC Youden cut-offSensitivity, Specificity
Model1:
Cleveland.clinical.score: 1Cleveland.clinical.score: 2Cleveland.clinical.score: 3Cleveland.clinical.score: 4Cleveland.clinical.score: 5Cleveland.clinical.score: 6Cleveland.clinical.score: 7Cleveland.clinical.score: 8
1.416 (1.071, 1.885)2.607 (2.006, 3.423)3.177 (2.433, 4.188)3.887 (2.916, 5.219)4.552 (3.217, 6.452)6.656 (3.942, 11.146)11.390 (5.090, 25.882)19.525 (1.851, 422.883)
0.625 Sensitivity = 0.719Specificity = 0.466
Model 4
DeltaSCr2CKD.EPI.EGFR.preopCleveland.clinical.score: 1Cleveland.clinical.score: 2Cleveland.clinical.score: 3Cleveland.clinical.score: 4Cleveland.clinical.score: 5Cleveland.clinical.score: 6Cleveland.clinical.score: 7Delta SCr1Delta CKD EPI 12
1.140 (1.117,1.163)0.955 (0.949,0.962)1.375 (1.006,1.893)2.049 (1.515,2.798)2.197 (1.604,3.033)2.045 (1.441,2.9162.331 (1.522,3.570)2.675 (1.394,5.0794.109 (1.534,10.933)0.951 (0.933,0.969)1.038 (1.016,1.060)
0.834 Sensitivity = 0.659Specificity = 0.841
PRIMER LOGISTIČNE REGRESIJE• Uporaba modela v praksi: nomogram
UP FAMNIT Janez Žibert 15
https://pacs.zf.uni-lj.si/shinyR/apps/projects/CSA-AKI/
PRIMER LOGISTIČNE REGRESIJE• Uporaba modela v praksi: analiza pacienta in odločitve
UP FAMNIT Janez Žibert 16https://pacs.zf.uni-lj.si/shinyR/apps/projects/CSA-AKI-2/
EKG SIGNALI
UP FAMNIT Janez Žibert 18
https://pacs.zf.uni-lj.si/shinyR/apps/projects/ecgshow/
HRV PARAMETRI
UP FAMNIT Janez Žibert 20
Parametri časovne analize ritma
Osnovni stat. parametri:povprečje RR, std RRpovprečje HR, std HRMin, Max HR
Izpeljani parametri :RMSSD koren povprečja kvadratnih razlik med zaporednimi RR
NN50število zaporednih RR intervalov večjih od 50mspNN50 = NN50/vsi RRR
Porazdelitev RR intervalovHRV TI integral histograma porazdelitve RR/višina histograma
TINNširina histograma
HRV PARAMETRI
UP FAMNIT Janez Žibert 21
Parametri frekvenčne analize ritma
Fourierjeva transformacija
Spektralne meritvemoč signala v VLF, LF in HF spektrurazmerje med močjo LF/HF
HRV PARAMETRI
UP FAMNIT Janez Žibert 22
Parametri nelinearne analize ritma: teorija kaosa
Poincarejev graf:fazni prostor RR intervalov:SD1, SD2 SD2/SD1
srčna aritmijatežave z delovanjem ventriklov
Entropijska parametra:merimo podobnost med zaporedij RR intervalovpribližna entropija: ApEnvzorčna entropija: SampEn
DFA parametri:alfa1 in alfa2
UPORABA EKG SIGNALOV ZA ANALIZOPACIENTOV Z ATRIJSKO FIBRILACIJO
UP FAMNIT Janez Žibert 23
Statistično značilne razlike medskupinama z in brez AF vparametrih:
• starost (Age)• razlika med P in Q valom (PQ)• Nelinearni parameter alfa 2• Moč v frekv. pasu
LF (0.04-0.15 Hz)
ČASOVNO – FREKVENČNA ANALIZAEKG SIGNALOV
Zvezna valčna transformacija
UP FAMNIT Janez Žibert 24
Vir: wikipedia
ČASOVNO – FREKVENČNAANALIZA EKG SIGNALOV
UP FAMNIT Janez Žibert 25
Detekcija aritmije in srčnega popuščanja:
• PhysioNet zbirke: • MIT-BIH Arrhythmia Database, MIT-BIH Normal Sinus
Rhythm Database, The BIDMC Congestive Heart Failure Database
CWT
CWT
CWT
EKG SIGNALI: MODELIRANJEDetekcija aritmije in srčnega popuščanja:
• značilke: • povprečenje CWT v časovni smeri z oknom 1s in preskokom = 0.25 s (+
dodatno glajenje s Hammingovim oknom), normalizacija s celotno močjo (vrednosti med 0 in 1).
• statistični model: • GMM z različnim številom mešanic: 32, 128, 256
26
…
GMM
značilke učenje
Statistični model
EKG SIGNALIDetekcija aritmije in srčnega popuščanja:
• evaluacija: 162 posnetkov: 100 za učenje, 62 za evaluacijo: 43 ARR, 11 CHF, 8 NSR
UP FAMNIT Janez Žibert 27
PredictedARR CHF NSR
True
ARR 35 8 0CHF 1 10 0NSR 0 0 8
Rezultati detekcije
Točnost: 85.5%
OBDELAVA SLIK V RADIOLOGIJI
Avtomatična detekcija artefaktov na mamografskih slikah
UP FAMNIT Janez Žibert 28
Type of image Normal Ghost artifact Line artifact
Type of image Non-uniformcontrast
Dead pixels Acquisition error
OBDELAVA SLIK V RADIOLOGIJI
Avtomatična detekcija artefaktov na mamografskih slikah:
• klasičen pristop
UP FAMNIT Janez Žibert 29
Features Extraction
Logistic Regressio
n
Naïve Bayes
DecisionTree
RandomForest
Recognition Score
Recognition Score
Recognition Score
Recognition Score
MLP Recognition Score
OBDELAVA SLIK V RADIOLOŠKI TEHNOLOGIJI
Detekcija artefaktov pri mamografskih slikah:
UP FAMNIT Janez Žibert 30
Artifact Method AUC Youden Sensitivity
Youden Specificity
Contrast
N(train) = 88/433N(validate)= 17/109
Logistic reg. 0.954 0.941 0.957Naïve Bayes 0.965 0.882 0.891Decision Tree 0.918 0.882 0.859Random Forest 0.957 0.824 0.946MLP 0.938 0.882 0.978
Ghost
N(train) = 55/433N(validate)= 14/109
Logistic reg. 0.760 0.714 0.674Naïve Bayes 0.638 0.643 0.684Decision Tree 0.831 0.786 0.758Random Forest 0.927 0.929 0.874MLP 0.904 0.857 0.842
Other
N(train) = 38/433N(validate)= 13/109
Logistic reg. 0.991 0.923 1.000Naïve Bayes 0.936 0.923 0.979Decision Tree 0.956 0.923 0.990Random Forest 0.998 1.000 0.990MLP 0.982 0.923 1.000
Lines
N(train) = 44/433N(validate)= 15/109
Logistic reg. 0.904 0.800 0.809Naïve Bayes 0.882 0.870 0.798Decision Tree 0.604 0.600 0.926Random Forest 0.961 0.933 0.894MLP 0.962 0.933 0.915
Dead Pixels
N(train) = 8/433N(validate)= 7/109
Logistic reg. 1.000 1.000 1.000Naïve Bayes 0.991 1.000 0.981Decision Tree 0.995 1.000 0.991Random Forest 1.000 1.000 1.000MLP 1.000 1.000 1.000
NEVRONSKE MREŽE
UP FAMNIT Janez Žibert 31
Dendriti:• sprejemajo signale ostalih nevronov
Nevron:• zbira vhodne signale in generira izhodni odziv
Akson:• ko izhodni odziv doseže določeno vrednost, se nevron proži in pošlje signal naprej do ostalih nevronov,
Sinapse:• se povezujejo z ostalimi nevroni, • količina signala je odvisna od moči povezave v sinapsi (močna povezava – signal ojača, manjša povezava –
signal oslabi )
umetni nevron
seštevanjeprispevkov
pragovnafunkcija
(binarna / sigmoidna)
izhod
w1, w2, w3, wn - uteži povezavX1 , X2, X3, Xn – vhodi, b – začetna vrednost
ARHITEKTURE NEVRONSKIH MREŽ
UP FAMNIT Janez Žibert 32
vstopna plast skrita plast izhodna plast
Nevronska arhitektura MLP
GLOBOKE NEVRONSKE MREŽE
UP FAMNIT Janez Žibert 33
Preprosta NM Globoka NM
vstopna plast skrita plast izhodna plast
KONVOLUCIJSKE NEVRONSKE MREŽEZA PREPOZNAVANJE SLIK
CNN VGG16
UP FAMNIT Janez Žibert 34
konvolucija + ReLUmax poolingpolno povezana + ReLUsoftmax
224 x 224 x 3 224 x 224 x 64
112 x 112 x 128
56 x 56 x 256
28 x 28 x 512
14 x 14 x 5127 x 7 x 512
1 x 1 x 4096 1 x 1 x 1000
Plasti:konvolucijski sloji – filtriranje slik z različnimi filtri,ReLU = Max(0, vhod) = prepusti nenegativne vrednosti izhodov filtriranjaPooling = manjšanje dimenzije, npr. pri mat. 2x2 izberemo max, avg. min, …Polno povezani sloj = vsak nevron prejšnjega sloja povezan z nevronom (MLP)Softmax = aktivacijska funkcija, ki vektor normalizira med 0 in 1, da je vsota 1
OBDELAVA SLIK V RADIOLOGIJI
Avtomatična detekcija artefaktov na mamografskih slikah:
• klasični pristop ML:
• globoko učenje
UP FAMNIT Janez Žibert 35
Features Extraction
ML model
Recognition Score
Features Extraction
DL model
Recognition Score
CNN ZA PREPOZNAVANJE SLIK
UP FAMNIT Janez Žibert 36
ImageNet Challenge:• Vsakoletno tekmovanje v prepoznavanju slik: 1.2 mio slik, 1000 kategorij, 2010 – 2017.• 1 MIO za učenje, 50k za validacijo, 150k za testiranje• Učenje: 2-3 tedne za učenje VGG16
• Strojna oprema: • delovne postaje (2 ali 4 RTX 2080Ti, RTX 2070, ali Titan V, Intel Xeon-W 2145 8-core or Xeon-W 2195 18-core, 256GB
memory, 1TB system 4TB storage HD),• Cena od 6000 EUR navzgor.
• Programska oprema:• Tensorflow, Keras, Theano, Torch
https://arxiv.org/pdf/1605.07678.pdfhttps://semiengineering.com/new-vision-technologies-for-real-world-applications/
TRANSFER LEARNING
Avtomatična detekcija artefaktov na mamografskih slikah:
• globoko učenje z adaptacijo (transfer learning):• uporaba konvolucijske nevronske mreže AlexNet,
• AlexNet: 8 slojev, prepoznava objekte na slikah velikosti 227x227 pikslov• mrežo doučujemo tako, da prepoznava naše mamografske slike
• Ni potrebe po veliki količini podatkov (slik).
UP FAMNIT Janez Žibert 37
5 konvolucijskih slojev 3 polno povezani sloji
artefakt: da = 0.72artefakt: ne = 0.28
predobdelanaslika
+psevdobarvanje
OBDELAVA SLIK V RADIOLOŠKI TEHNOLOGIJIDetekcija artefaktov pri mamografskih slikah
UP FAMNIT Janez Žibert 38
Detekcija artefaktov pri CR slikah
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
senz
itivn
ost
ROC krivulje za detekcijo artefaktov
prah in umazanijaghost in nehomogenostilinije
drugo
AUC mera
Prah, umazanija in razpoke
83.70%
Ghosting in nehomogenost
97.62%
Linije in proge 81.21%
Nazobčani artefakti
100.00%
Drugo 99.02%
Globoko učenje z AlexNet
Artifact Method AUC Youden Sensitivity
Youden Specificity
Contrast
N(train) = 88/433N(validate)= 17/109
Logistic reg. 0.954 0.941 0.957Naïve Bayes 0.965 0.882 0.891Decision Tree 0.918 0.882 0.859Random Forest 0.957 0.824 0.946MLP 0.938 0.882 0.978Deep Learning 0.995 0.941 1.000
Ghost
N(train) = 55/433N(validate)= 14/109
Logistic reg. 0.760 0.714 0.674Naïve Bayes 0.638 0.643 0.684Decision Tree 0.831 0.786 0.758Random Forest 0.927 0.929 0.874MLP 0.904 0.857 0.842Deep Learning 0.986 0.929 0.968
Other
N(train) = 38/433N(validate)= 13/109
Logistic reg. 0.991 0.923 1.000Naïve Bayes 0.936 0.923 0.979Decision Tree 0.956 0.923 0.990Random Forest 0.998 1.000 0.990MLP 0.982 0.923 1.000Deep Learning 0.999 1.000 0.990
Lines
N(train) = 44/433N(validate)= 15/109
Logistic reg. 0.904 0.800 0.809Naïve Bayes 0.882 0.870 0.798Decision Tree 0.604 0.600 0.926Random Forest 0.961 0.933 0.894MLP 0.962 0.933 0.915Deep Learning 0.954 0.933 0.926
Dead Pixels
N(train) = 8/433N(validate)= 7/109
Logistic reg. 1.000 1.000 1.000Naïve Bayes 0.991 1.000 0.981Decision Tree 0.995 1.000 0.991Random Forest 1.000 1.000 1.000MLP 1.000 1.000 1.000Deep Learning 0.997 1.000 0.991
EKG SIGNALI KOT SLIKEDetekcija aritmije in srčnega popuščanja:
UP FAMNIT Janez Žibert 39
ASR CHF NSR
Features Extraction model Recognition
Score
• enako kot pri radioloških slikah: CWT obravnavamo kot sliko !!!!
EKG SIGNALI
40
_______________________________________________________Layer (type) Output Shape Param # =======================================================vgg16 (Model) (None, 7, 7, 512) 14714688 _______________________________________________________flatten_32 (Flatten) (None, 25088) 0 _______________________________________________________dense_64 (Dense) (None, 256) 6422784 _______________________________________________________dense_65 (Dense) (None, 3) 771 =======================================================
All params: 21,138,243Trainable params: 6,422,784 + 771Non trainable params: 14,714,688
Transfer learning: vzamemo naučeno mrežo CNN VGG16,doučimo mrežo, da zna ločevati naše slike EKG
signalov:• Namesto zadnjega sloja s 1000 nevroni damo
sloj s 3 nevroni za vsak razred en nevron• Učimo lahko samo te tri nevrone, ali še kakšno
plast vmes
EKG SIGNALIDetekcija aritmije in srčnega popuščanja:
• evaluacija: 162 posnetkov: 100 za učenje, 62 za evaluacijo: 43 ARR, 11 CHF, 8 NSR
UP FAMNIT Janez Žibert 43
PredictedARR CHF NSR
True
ARR 35 8 0CHF 1 10 0NSR 0 0 8
“Klasični” pristop
PredictedARR CHF NSR
True
ARR 42 1 0CHF 2 9 0NSR 0 0 8
Globoko učenje z VGG16
Točnost: 85.5% Točnost: 95.2%
ZAKLJUČEKObstaja še veliko matematike v medicini:
• Epidemiologija:• Modeliranje epidemij, iskanje vira (časovno), …
• Nastanek medicinskih slik• računalniška tomografija:
• postopki nasprotne projekcije• MR slikanje:
• k-prostor in Fourierjeva transformacija
Torej še veliko dela za matematike.
UP FAMNIT Janez Žibert 44