详细内容或原文请订阅后点击阅览
了解深度学习医学图像分析的坐标系和 DICOM
关于医学成像中深度学习的多个入门概念，例如从机器学习角度进行的坐标系和 dicom 数据提取。
来源:AI夏令营有时你以为自己理解了一些东西，但却无法解释。这时你必须从不同的角度回顾并重新开始。当你深入研究医学图像时，你会发现不同的概念似乎模糊且不直观，至少在开始时是这样。你会看到人们讨论你从未听说过的 DICOM 和坐标系统。结果，许多误解和困惑就此产生。如果你处于这种情况，或者你想了解医学成像中的人工智能，那么这篇文章适合你。
当你深入研究医学图像时，你会发现不同的概念似乎模糊且不直观早在 2017 年，当我申请生物医学工程硕士学位时，每个人都问我为什么，因为我已经痴迷于深度学习。现在，每个多学科深度学习研究项目都需要医学成像等领域的知识。有趣的是，人工智能医疗领域的资金正在不断增加。作为可以找到的首次谷歌搜索的定量示例：
首次谷歌搜索到 2023 年，诊断成像机器学习市场将超过 20 亿美元。
到 2023 年，诊断成像机器学习市场将超过 20 亿美元。
所以，我决定写这篇文章的原因是为了帮助 ML 人员深入研究医学成像。
我决定写这篇文章的原因是为了帮助 ML 人员深入研究医学成像在之前的文章中，我谈到了一种应用于多模态磁共振数据集的常见深度学习管道。 当然，所有这些都与我们正在开发的开源 pytorch 库 medicalzoo-pytorch 有关。 但是，我并没有过多地深入研究医学界的特殊性。最后，我使用了已经处理过的 ML 竞赛数据（而不是来自杂乱无章的医院），所以其他人替我做了这些脏活。本教程部分基于 nipy [1] 和 3D Slicer.org [2] 的医学图像和 Dicom 文件文档。