الگوریتم چیست؟
الگوریتم مجموعه ای از دستورالعمل های گام به گام است که می تواند برای دستیابی به هدف یا حل مشکل دنبال شود. دستور پخت می تواند یک الگوریتم باشد ، درست مانند دستورالعمل های مراجعه به بیمارستان. با این حال ، بیشتر اوقات به الگوریتم های رایانه اشاره می کنیم. اینها قطعات کد رایانه ای هستند که با هدف حل مشکلات خاص انجام شده اند. داده ها را وارد می کنید ، الگوریتم رایانه محاسبات را بر اساس این داده ها انجام می دهد و خروجی را به شما می دهد. در زمینه رادیولوژی ، یک الگوریتم معمولا یک قطعه کد رایانه ای است که یک تصویر پزشکی را به عنوان ورودی می گیرد و پاسخی را برای کمک به رادیولوژیست در آنالیز خود برمی گرداند.
داده های (آموزشی) چیست؟
برای شروع ایجاد یک الگوریتم(تقریبا)همیشه به یک مجموعه داده های آموزشی نیاز دارید. این مجموعه داده، مجموعه ای از داده هایی هستند که می خواهید الگوریتم شما را آنالیز کند. در رادیولوژی ، این داده ها تصویر هستند. بسته به نوع الگوریتم مورد استفاده ، ممکن است به اطلاعات اضافی نیز نیاز داشته باشید. این ممکن است اطلاعاتی در مورد آنچه در تصویر می بینید (به عنوان مثال تقسیم بندی) یا سایر اطلاعات بیمار باشد.
لیبل چیست؟
برای اکثر الگوریتم ها شما به یک مجموعه داده با برچسب نیاز دارید. این بدان معناست که برای هر نقطه داده در مجموعه داده شما (در رادیولوژی ، برای هر تصویر) حقیقت اصلی را می دانید: برچسب. به عنوان مثال ، اگر می خواهید الگوریتمی بسازید که بتواند بین تومورهای بدخیم و خوش خیم تمایز قائل شود ، تصاویر پزشکی موجود در مجموعه داده شما باید حاوی تومور باشد و هر تصویر باید دارای برچسب “خوش خیم” یا “بدخیم” باشد. این به رایانه کمک می کند تا یاد بگیرد که چگونه انواع مختلف تومور را می توان در تصاویر تشخیص داد.
ویژگی تصویر چیست؟
ویژگی تصویر یک ویژگی قابل اندازه گیری یا ویژگی خاصی است که می توانید در هر تصویر از داده های آموزشی پیدا کنید. به عنوان مثال ، اگر داده های ورودی شما مجموعه ای از تصاویر اشعه ایکس از لگن باشد ، ویژگی های تصویر ممکن است شامل شکل استخوان ران بیمار باشد ، اما ممکن است انتزاعی تر باشد مانند توزیع مقادیر مقیاس خاکستری در استخوان ران.
فضای ویژگی چیست؟
همه ویژگی های ترکیبی را می توان در فضای ویژگی نشان داد. نمایش بصری فضای ویژگی (نشان دادن ویژگی ها در نمودار)می تواند به بررسی کلی از تمام مقادیر ویژگی کمک کند. ساده ترین مثال زمانی است که مجموعه داده شما دارای دو ویژگی باشد. شما این را با رسم نمودار با یک ویژگی در محور x و ویژگی دیگر در محور y تجسم می کنید. هر تصویر را می توان بارسم یک نقطه در محل ( X ،Y )در این نمودار نشان داد که X ارزش تصویر برای ویژگی اول و Y ارزش تصویر برای ویژگی دوم است. آنالیز داده ها در فضای ویژگی (سمت راست) کشف همبستگی هایی را که هنگام مشاهده داده های اصلی آشکار نیستند ، آسان تر می کند.
What is an algorithm?
An algorithm is a set of step-by-step instructions which can be followed to accomplish a goal or solve a problem. A cooking recipe can be an algorithm, just like directions to the hospital. Most of the time, however, we refer to computer algorithms. These are pieces of computer code aimed at solving specific problems. You insert data, the computer algorithm performs calculations based on this data, and gives you an output; the solution to the problem. In the context of radiology, an algorithm is usually a piece of computer code that takes a medical image as input and returns an answer to help the radiologist with his/her analysis.
What is (training) data?
To build an algorithm you (almost) always need a dataset, the training data, to get started. This dataset will be a batch of the type of data you want your algorithm to analyze. In radiology, this would be image data. Depending on the type of algorithm used, you may need additional information as well. This may be information on what you see in the image (e.g. a segmentation) or other patient information.
What is a label?
For most algorithms you need a labeled dataset. This means that for every data point in your dataset (in radiology, for every image) you know the ground truth: the label. For example, if you want to build an algorithm that is able to differentiate between malign and benign tumors, the medical images in your dataset need to contain tumors and every image needs to have a label “benign” or “malign”. This will help the computer to learn how different tumor types can be recognized on the images
What is an image feature?
An image feature is a measurable characteristic or a specific property that you can find in each image of the training data. For example, if your input data is a set of x-ray images of the hip, image features may include the shape of the patient’s femoral head, but it may also be more abstract such as the distribution of gray-scale values within the femoral head.
What is a feature space?
All features combined can be represented in feature space. A visual representation of feature space (showing features in a graph) can help to get an overview of all feature values. The simplest example is when your dataset has two features. You visualize this by drawing a graph with one feature on the x-axis and the other feature on the y_axis. Each image can be represented in this graph by drawing a point at location (X,Y) with X being the image’s value for the first feature and Y the image’s value for the second feature. Analyzing data in (the right) feature space makes it easier to discover correlations which are not apparent when looking at the original data.