我们在超声成像的过程中，不仅仅需要考虑不同组织对超声的敏感的散射，还需要考虑这个超声传递过程中的衰减。我们就提供这些外加刺激对内在组织的影响的反馈来成像，本质上是一种构造，数据分析，确信其结果能够与真实的情况一一对应，当然，这是理想情况，很多时候成像都有伪影等等问题，但这是我们不断推进技术发展的前提。
将成像理解为一个信号处理过程，通过采样—检测—分析—图像形成的过程来形成我们能够理解的宏观层次的信息。从一维的a型的线性，到二维的平面图像，到三维的形态，以及四维的时间变化。
病理能够成为金标准，一方面是因为形态学的改变是比较高维的变化，是一系列病因导致的终末状态，找到其特征性的变化能够同时描述很多对象的关系。同时，也是因为其取材多，总存在特定的切片能够与具体疾病有最高层次的相关性，即一一对应，从而能够从细胞层次的变化来推测机体层次的变化。当然，需要取病灶附近的组织，因为其具有更大的相关性。
我们的问题是，如何能够结合机器学习算法，来训练人工的基于图像的疾病诊断？需要我们需要有大规模的有标签的数据，这方面可以和医院合作，将数据库内经过专家诊断的图像用于训练算法；同时我们需要进行准确的病灶识别，即图像分割，找到异常的变化，才能在这个基础上进行分析；可以预见，计算的复杂度十分庞大，我们需要使用一系列的优化策略以及近似算法来得出初步的原型，然后不断调整，不断提高各种量化的指标如精确率，召回率等等，直至超过人类专家的诊断水平。比如说dererworks就是利用深度学习算法来识别皮肤癌。可以在某细分的领域做到精确的分类。最后能够在这个诊断的精确分类的基础上，进一步探究各种个体化的治疗方式，从而实现我们精准医疗的目标。
免费app上线了，支持安卓，苹果。请关注微信公众号进入下载安装 wanbenheji (按住三秒复制)!!