利用深度学习对医学中图像做诊断，需要具备哪些知识？

青草

如前期的图像处理，做什么样的处理？之后的图像识别，用传统的物体识别SSD，YOLO算法？还是有更好的算法？

原文地址：https://www.zhihu.com/question/295135074

继续前进

SSD YOLO这些是物体检测的算法！！！
医学相关算法可以，查看斯坦福相关医学研究，他们应该算是最前沿的了。

感恩由您

医学图像的话。主要比较依赖专家知识吧
医学影像或者生物医学工程这些专业比较适合去搞这个。
据我了解的话  医学图像的诊断分割等。一般还是以传统的方法为主 比如图谱配准什么的  而且实际应用中半自动方法居多 机器算法加上专家知识通常效果不差 可解释性也好  很让人放心  深度学习在这点上差远了  
深度学习处理医学图像预处理挺麻烦的 不像自然图像什么voc coco拿来就能用。通常需要自己清洗数据整理成数据集。ct图像或者mri其实还算友好。无非就是对比度低了点。超声图像非专家真看不出来这是神 玩意儿。即使都是mri 不同厂家生产的不同型号的机器。拿到的图像即使看起来差不多 具体到数据上 有8位 通常是16位 32位的也有。这些处理起来都挺麻烦的。再者这些图像的文件格式五花八门的  有些格式 python未必提供了读取的库
此外 医学图像的dicom什么的通用标准也得有所了解吧。这个方向真做点成就出来的话。大约也能算半个专家了。

队长是我

医疗影像不同于传统的CV，需要有较强的domain knowledge，这一点是非常非常重要的。
例如肺结节检测中，最大的问题不是算法的选择或调参，而是“问题定义”：什么是肺结节。磨玻璃？钙化？尺寸？（一般定义3mm至30mm）什么场景？（体检还是肺癌早筛？）等等，定义清楚了问题才能知道要做什么事情，是做结节检测还是结节分类，可视野如何选择。

第一步问题定义完成了就是数据，针对错误分析中不同的问题，看是调整算法还是增加数据（例如加负例或者加相关场景的数据，还是继续refine数据）。
之后第三部才是算法，一般前两部完成后随便一个差不多架构的算法就可以拿到不错的性能，但大多数情况下都是在前两部就卡死一大批人。
可以说在医疗影像中算法的重要程度并不是那么大。YOLO，SSD都是可以的。
<hr/>补充：上面最后一句话说的不严谨有引战嫌疑，也容易让人误解，在这里解释下。
有此回答是因为题主询问“利用深度学习对医学中图像做诊断，需要具备哪些知识？”，但补充说明中都是提到数据处理和算法，这也应该是一些人的想法：问题能否解决的好/性能高不高，都是算法或者tricks相关的。
但其实事实上（或者我遇到的），遇到的问题更多的是“问题定义”和“数据”上的。不是说算法不重要，而是想表达一个和“大多数人的努力程度之低，还轮不到拼天赋”一样的观点，大多数情况下，你和别人拼的都不是单纯算法的。例如在实际项目/比赛中，一个人拼死拼活尝试调参或换模型带来了一两个点的提升，另一个人在优化问题定义和数据理解的情况下有针对性的加数据/refine数据/调整网络结构可能直接带来的数量级上的性能提升

感恩由您

医学图像处理中的图片多为CT或MRI采集到的图片，相比于自然图片，其灰度的分布范围更广有可能是0-1000，维度也更高有可能不仅仅是三个通道，想要准确的识别出病灶，自然图片处理的方法可以用，但不够用，这个方向还有很远的路要走

继续前进

关注一下自然图像分割或者检测的最新成果，医学图像比起自然图像来说，感觉技术上还是慢一点的。