想用机器学习的方法了解放射学吗？

• 想用机器学习的方法了解放射学吗？
  
  
  

   

   

  想用机器学习的方法了解放射学吗？这可不是件容易的事情。

  深度学习，TensorFlow，Scikit-Learn，Keras，Pandas，Python还有Anaconda，这么多的新术语让人头晕眼花。在正式学习开始前，需要先掌握这些让人目不暇接又相对基础的信息。

  大量的网络资源还有书籍资源可以帮助我们更好地入手。不过，在开始学习各类优秀教程之前，最好对整个生态有所了解。

   

  

   

   

  如果给我6小时砍树，我会先花4小时磨利斧头。亚伯拉罕·林肯

   

  

   

  首先……

   

  机器学习中最常用的开发语言是Python。许多机器学习的初学者都是从Python入门的，因此Python一定不能错过。

   

  本篇文章并不旨在教授Python的相关知识，而是演示开发人员如何在庞大的机器学习工具链中起步的。

   

  所以，第一件事应该是下载Python以及其他用于机器学习的必要的Python工具。

   

  Hello, Unix

  需使用命令行界面来安装管理Python工具。

   

  Bash不是越多越好

  Linux或Mac使用终端。可以在Finder>应用程序>实用程序>终端这个路径中找到该程序。

  Windows则使用命令提示符。单击Windows图标> Windows系统>命令提示符，或单击Windows图标并键入 cmd 。

  光标的前面会看到一个文本字符串，上面写着

  machinename:directoryusername$

  用户在“$”后输入。

   

  以下是一些常见命令：

  列出当前目录中的文件：ls

  显示隐藏文件：ls -a

  进入用户主目录：cd<directory_path>

  转回子目录：cd~ 或直接输入cd

  返回上级目录：cd ..

  转到你所在的最后一个文件夹：cd-

  显示当前工作目录：pwd

  使用上箭头键可以重新输入上一个指令。再按一次这个键则可以返回之前的命令。

  清除窗口：clear

  在文本编辑器中打开文件，如：atom <filename>

  终止应用程序（如ping），按 Ctrl+C

   

  

   

  Python

   

  Python是一种解释性语言，在运行程序时逐行读取代码，不像编译性语言在程序执行前需要将源代码编译成机器码。

   

  目前Python有两个不同的版本——Python2.7和Python3。Python2.7将于2020年暂停服务，而未来的Python3.x并不一定兼容。所以要不考虑一下以前的旧版本？很遗憾有些框架只支持Python2.7，无论是入门书籍还是网上的入门资源很多都是在这个版本上编写的。那该如何解决这个问题呢？

   

  幸运的是，电脑可以同时运行两个版本，并在硬盘上不同的文件夹中运行不同的虚拟环境。通过这样的方式，一方面我们可以在其他文件夹中专门运行Python2.7完成相应的任务，另一方面可以使用Python3.7完成大部分机器学习的任务。

   

  Virtualenv，Python Environment Wrapper (pew)，venv以及 pyvenv是管理不同Python虚拟环境的工具。其中最简单的是Conda，使用Anaconda时，它与Python一起安装。

   

  

  https://imgs.xkcd.com/comics/python_environment.pn

   

  Anaconda

  Anaconda是一个开源平台，可能是在Linux，Mac OS X和Windows上使用Python进行机器学习的最简单方法。它可以帮助管理编程环境，它还包含数据科学中常用的Python包。

  各平台版本传送门：https://www.anaconda.com/distribution/

   

  在系统上安装完适用的Python版本后，接下来需要设置环境。

   

  Conda

  Conda是Anaconda使用的Python包管理器和环境管理系统。用户可以通过Conda下载安装大部分需要的软件包，但它并不是万能的。剩余无法安装的那部分可以通过命令行pip来完成，后文将详细介绍。

  如果要查看当前环境的软件包，请键入：

  conda list env

  如果想查看当前Conda的版本，请键入：

  conda -version

  （如果版本低于4.1.0，请输入conda update conda以更新Conda）

  在Anaconda Navigator中，还可以从左边菜单栏选择Environments，然后按Create按钮来创建环境。

   

  

  用Anaconda Navigator创造名为“new_env”的新环境

   

  还可以通过命令行来创造环境。下面例子使用了Python2.7创造了一个名为“py27”的新环境：

  conda create -n py27python=2.7

  如要激活环境，请键入：

  conda activate<your_env_name>

  如要停用当前环境，请键入：

  conda deactivate

  如要移除此环境，请键入：

  conda remove -name<your_env_name> -all

   

  如要列出所有的conda环境，请键入：

  conda info --envs

   

  

  带*的环境是当前的活动环境

   

  如要查看当前环境的包，请键入：

  conda list env

  如果要查看当前运行Conda的版本，请键入：

  conda -version

  （如果版本低于4.1.0，请输入conda update conda以更新Conda）

  使用pip可以安装两个重要的机器学习包TensorFlow和Keras。用户也可以安装TuriCreate作为苹果系统上的机器学习框架。

   

  

   

  科学栈

   

  以下的Python包为科学栈，可用于多个学科，包括有：

  NumPy：用于高效处理数组和矩阵的库

  传送门：http://www.numpy.org/

  SciPy：处理数学和科学问题的工具包

  传送门：https://www.scipy.org/

   

  matplatlib：Python中的标准2D绘图库

  传送门：https://matplotlib.org/

  pandas：含有矩阵式数据结构，标记索引，时间函数等功能的库

  传送门：https://pandas.pydata.org/

   

  Scikit-learn：机器学习算法库

  传送门：https://scikit-learn.org/stable/

  Jupyter：在基于网络的笔记本中运行的交互Python shell

  传送门：https://jupyter.org/

  Seaborn：用于统计数据可视化

  传送门：https://seaborn.pydata.org/index.html

  Bokeh：用于交互数据可视化

  传送门：https://bokeh.pydata.org/en/latest/

  PyTables：HDF5库的Python包装器

  传送门：https://www.pytables.org/

   

  用户可以使用Anaconda安装以上包及相应的依赖项，同时也可以在新创的环境中搜索需要的包。

   

  

  在Anaconda Navigator中搜索你需要的包

   

  然后，通过选中复选框并单击“apply”，从列表中选择它们需要的包。

   

  

   

   

  接下来就是像前文描述的那样，运行pip指令安装TensorFlow和Keras。（如要使用苹果系统的CoreML，还可以安装Turi Create）

   

  

   

  pip

   

  pip是通用的python包管理器。详情传送门：https://pypi.org/project/pip/

  pip install — upgradepip

  使用pip安装某个包，可以输入以下命令：

  pip install<package_name>

   

  

   

  编辑Python文件

   

  在Mac上的终端或Windows中的控制台上可以与python进行交互。如果要写代码，大部分人会使用Atomhttps://atom.io/或Sublime Text https://www.sublimetext.com/等代码编辑器。尽管目前已出现了各种各样的编辑器，但大部分很快就湮灭在代码编辑器的历史长河中。

  不少人喜欢的一款编辑器是Atom（https://atom.io/），这是由GitHub发布的免费编辑器。Atom还可以使用集成的终端窗口等功能扩展应用程序，这个功能贼6～

  这个编辑器安装完毕后，可以通过Settings/InstallPackages，然后搜索platformio-ide-terminal来添加这一功能。

   

  

   

  运行Python文档

   

  在命令提示符($ or >)后输入 python<filename.py>

  如果要退出Python则输入 exit()或直接按 Ctrl+D (如果是Windows系统则按Ctrl+Z )

  要查看当前使用的python版本，请键入：python --version 或 python -V

  要查看当前使用的Python安装位置，请键入：which python

   

  

   

  环境文件

   

  环境文件是项目根目录中的一个文件，它列出了所有包含的软件包及其用于特定项目环境的版本号。因此用户可以与他人分享项目，也允许在其他项目中重复使用这些软件包。

  创建文件请键入：

  conda env export -fileenvironment.yaml

   

  如需重创Conda环境及其包，请键入：

  conda env create -n<conda-env> -f environment.yaml

   

  在某些项目或教程中，作为包管理器的pip运行 requirements.txt，并没有使用Conda的environment.yaml。

  冻结环境可以完成以上动作：

  pip freeze >requirements.txt

  如要重组，请键入：

  pip install -rrequirements.txt

   

  

   

  Jupyter笔记本

   

  Jupyter笔记本(https://jupyter.org/)是一个基于网络浏览器的开源应用。这个笔记本可以让用户在更方便自如的环境中运行Python代码，并且能逐步查看效果。Jupyter笔记本可以在标记单元格中的代码单元格之间添加文本和图像，因此十分适用于教学。得益于其应用拓展性，还可以在笔记本上添加其他功能。也可以通过Anaconda Navigator安装Jupyter笔记本：

   

  

   

   

  使用Anaconda Navigator安装Jupyter笔记本

   

  在提示符下键入以下内容以在浏览器中创建新的Jupyter 笔记本：

  jupyter notebook

   

  

   

   

  用Python 3创建新的笔记本

   

  如果要启动某一特定笔记本，请键入：

  jupyter notebook<notebook-name>

  顺便说一句，不建议同时在Jupyter笔记本上同时运行多个实例：

   

  Jupyter

   

  

   

   

  Jupyter笔记是个整理好帮手

   

  要运行单元格，请单击Jupyter工具栏中的“Run”按钮或按Shift + Enter。如果要关闭笔记本，请直接关闭终端窗口或键入：

  jupyter notebook stop

  或是直接按Ctrl+C

   

  

   

  然后……

   

  斧头磨利之后就要开始砍树啦！那该如何入门真实的放射学信息呢？

  先看看以下链接：

  1. 基于机器学习的医学影像：https://pubs.rsna.org/doi/10.1148/rg.2017160130

  2. 深度学习：放射科医师的入门读物：https://pubs.rsna.org/doi/10.1148/rg.2017170077

   

  如果想继续钻研，可以查阅以下两个专门讨论该主题的期刊：

  1. JACR 2018年3月第15卷第3PB期《特刊数据科学：大数据，机器学习和人工智能》

  2. JDI 2018年6月31卷第3期《开源软件新焦点》

  当然还可以看看GitHub中其他的参考资料，它们一定也能带来新启发：

  1. https://github.com/ImagingInformatics/machine-learning

  2. https://github.com/slowvak/MachineLearningForMedicalImages

   

  终于要开始了！

  2018年6月的期刊《数码成像》，提供了很好的入门材料。（Hello World Deep Learning in Medical Imaging JDI(2018) 31: 283–289 Lakhani, Paras, Gray, Daniel L., Pett, Carl R., Nagy, Paul,Shih, George）（https://link.springer.com/article/10.1007/s10278-018-0079-6）

  我们的工作并不只是创建一个分辨狗与猫的分类器，而是一个分辨胸部与腹部的x光分类器。AI之旅始于这里！