《影像研究与医学应用

亿万苍生，人分九种，“九种体质”，关乎着一个人的健康与否。体质养生是基础、根本的养生方法，也是最真的养生理念。四代中医世家传人——效哥，从医二十余载，从诸多的临床案例中验证了“体质调理”和“体质重建”对一个人健康的重要性。效哥致力于体质养生、调理研究，专注于个体化体质辨识，以人为本，因人制宜，充分注重人的个体化差异，采取优化的、有针对性的干预措施，帮助人通过体质重建和体质调理，不生病，少生病。昨天的文章，有两位朋友认为“肺病诊断首选CT，优于核磁”，在这里对两位朋友的留言，表示再三的感谢！这种学术性的探讨，是一定要精选的，毕竟每条留言都是大家对效哥的支持，我们允许任何方式的“学术争鸣”！但，效哥自认为没有记错，所以，今天查了专业的肿瘤科的学术论文，证实了“肺癌的特异性诊断，核磁优于CT”！本文提要：1、效哥只是普通中医，但，欢迎各种学术争鸣！2、其他肺病，CT优于核磁！但，肺癌，核磁优于CT！1、效哥只是普通中医，但，欢迎各种学术争鸣！效哥只是个普通中医，很平凡，也有很多治不好的病，没什么神奇，所以，效哥写东西，未必全是正确的，所以，也喜欢有人站出来反对，多一种质疑，并不是坏事！只要不是满嘴喷粪那种带脏字的，都欢迎！互相探讨一下，学术会更加清晰！所以，在这里，致敬每一位提出不同意见的朋友！让我们一起成长！2、其他肺病，CT优于核磁！但，肺癌，核磁优于CT！昨天的文章中，效哥说到了，“肺癌”的诊断，首选核磁！是凭着自己的印象，因为这是效哥“副高”考试时的一道考题！没错，晋升中医副高，必须要考西医的知识！想考，就必须接受，不然，考不过去！当时的考题是，“核磁更适合于软组织的诊断，普通肺病还是首选CT，肺癌首选核磁”！时间久了，怕记不准了！但是，那两位朋友的留言，必须精选，要接受一切善意的学术声音！下来之后，重新查过资料，确认效哥没有记错！“因为肺是含气组织，普通肺病，准确率CT高于核磁，但，肺癌的诊断准确率、特异度、敏感度，核磁均高于CT！”我们援引一篇发表在“国家级核心”期刊《影像研究与医学应用》杂志上2019年7月的科技论文“肺癌患者核磁共振成像诊断效果分析”的100例患者的同步CT和核磁对比分析得出以下结论：CT诊断敏感度75.81，＜核磁诊断80.95%CT诊断特异度50%，＜核磁诊断71.43%CT诊断准确度66%，＜核磁诊断76%诸君，特异度和准确度分别相差21.43%、和10%！！！这就说明，对于肺癌，如果只用CT，会存在很大的误诊率！一旦误诊，势必错过最佳的治疗期！在此，再次鸣谢昨天提出异议的两位朋友！谢谢您对效哥提出的学术质疑！我们欢迎不同的声音，一起成长！王致效，副教授，四代中医世家，祖籍山东高密，曾祖是民国时期黑龙江四大名医王守典，祖父王明先是海伦名医。现为中医副教授（副主任医师）,师从国务院首批国家级名老中医专家梁贻俊教授，国家中医药管理局梁贻俊工作室传承人，先后在北京东钓鱼台炎黄国医馆、太申祥和健康产业集团太医馆出诊20余年。先后跟随首批国家级名老专家梁贻俊教授、肝病泰斗谢子恒教授、肺病泰斗方和谦教授、消化道疾病专家徐振盛教授、北京“小儿王”宋祚民教授、脾胃病专家危北海教授、肾病专家杨大绮教授等学习。感谢您的观看，要健康，调体质，加入效哥“体质调养”的队伍中来！

不到现场，照样看最干货的学术报告！嗨，大家好。这里是学术报告专栏，读芯术小编不定期挑选并亲自跑会，为大家奉献科技领域最优秀的学术报告，为同学们记录报告干货，并想方设法搞到一手的PPT和现场视频——足够干货，足够新鲜！话不多说，快快看过来，希望这些优秀的青年学者、专家杰青的学术报告 ，能让您在业余时间的知识阅读更有价值。2018年9月22-23日，“2018中国医学人工智能大会暨第一届人工智能雁栖高端论坛”在中国科学院大学雁栖湖校区举行。本次大会由中国人工智能学会、中国图像图形学会、中科院计算所、中国科学院大学共同主办，关注人工智能领域的最新进展以及面临的挑战，重点讨论了人工智能在医学方面的前沿研究和产业化热点。此次会议极具产学研融合的特点，30多位来自信息科学（含计算机与电子工程等学科）、数学与医学等领域的专家学者与临床医生和产业界代表齐聚一堂，围绕人工智能+医疗、医学图像分析、机器学习等热点领域开展了历时两天的深入交流与探讨。读芯术作为合作媒体，经过授权，对其中部分专家报告进行内容整理。中国科学院分子影像重点实验室主任田捷研究员以《基于人工智能和医疗大数据的影像组学研究及其临床应用》为主题进行报告，以下为相关内容。田捷老师的PPT原文内容请后台回复“学术报告”，查阅文件夹“20180922 中国医学人工智能大会”。基于人工智能和医疗大数据的影像组学研究及其临床应用田捷 中国科学院分子影像重点实验室主任研究员田捷研究员围绕“智慧医疗研究背景”，“智慧医疗研究方向”，“智慧医疗未来方向”三个重点展开。在智慧医疗研究背景方面，2017年7月20日，中共中央国务院办公厅印发《新一代人工智能发展规划》指出：研发人机协同临床智能诊疗方案，实现智能影像识别、病理分型和智能多学科会诊。在此基础上，“人工智能技术进步”与“医疗大数据不断积累”共同提供了智能医疗发展的有利时机。在智慧医疗研究方向方面，主要阐述了“肿瘤术中影像导航”与“人工智能疗效评估”两个方向，并举例进行了说明：智慧医疗显著改善了肺癌手术治疗，为新药研制提供新途径。此外，在典型临床应用（如肺癌头颈癌预后预测）上，神经系统疾病应用（精神分裂症精准诊断）上，影像组学新模态应用（PET影像组学）上，都具有极好的效果。最后，从人工智能方法，数据资源平台，辅助诊断系统，共享交流平台四个方向上进行了展望。留言 点赞 发个朋友圈我们一起分享AI学习与发展的干货

2019年6月16日-6月20日，全球计算机视觉与模式识别顶级会议(IEEE CVPR 2019)将在美国长滩拉开帷幕，本次会议论文收录工作已经结束。CVPR( Conference on Computer Vision and Pattern Recognition)作为行业最顶级的研究型会议，每年被收录的论文均来自计算机视觉领域顶级团队，代表着国际最前沿的科研技术，并指引着计算机视觉领域未来的研究方向。本届CVPR总共录取来自全球顶级学术论文1299篇，中国团队表现不俗。深睿 AI LAB 8篇论文入选CVPR 2019根据CVPR 2019官网显示，共提交了7144篇论文，其中5165篇为有效投递论文，比去年CVPR2018增加了56%，最终录取了1299篇。这些录取的最新科研成果，涵盖了计算机视觉领域各项前沿工作。2019年深睿医疗有8篇论文被本届CVPR大会接收，跻身中国论文发布数量排名前列的科技公司之一。深睿研究院CVPR2019录取论文在以下领域实现了创新性突破：医学影像微小病灶检测、细粒度图像分类、基于弱监督的显著性检测、图像与自然语言的综合理解，统计理论与深度学习相结合，采用“异常检测”新思路准确检测医学图像中富于变化的弱信号等前沿技术。这些全球领先的计算机视觉算法显示了深睿研究院在计算机视觉领域强大的核心人才储备、科研文化底蕴和技术创新能力。深睿研究院独创的算法已被应用于深睿医疗现有医疗AI产品中，同时对未来产品研发提供有力的技术支撑。对于自研算法在智慧医疗领域的应用，研究院本次被录取了一篇文章题目为《基于级联生成式与判别式学习的乳腺钼靶微钙化检测(Cascaded Generative and Discriminative Learning for Microcalcification Detection in Breast Mammograms)》的论文。论文针对乳腺钼钯中的微钙化(直径<=1cm)检出问题提出了结合生成式和判别式模型的新思路。钙化检测对于乳腺癌的早期诊断十分关键，根据美国放射学院第五版BI-RADS标准，可疑恶性钙化点通常直径在1cm以内。因此，研究微钙化的检出算法具有重要的临床意义。(论文中配图)钼靶影像的微钙化点通常不到10个像素，且形态多变，再加上正常组织背景变化较复杂且样本量极大，仅使用判别式分类器很难提取到有效的特征。本篇论文设计了一个生成式模型“异常分离网络”，与判别式模型相结合，在公开和私有数据集上均超越了当前钙化检出的先进水平。深睿医疗2018年发布的一款基于乳腺钼靶的人工智能辅助诊断系统的产品，主要应用于乳腺癌的早期筛查和诊断，这篇论文中的算法已经在深睿这款产品上得到应用。另外一篇入选论文《为自底向上细粒度图像分类服务的弱监督互补部件模型(Weakly Supervised Complementary Parts Models for Fine-Grained Image Classification from the Bottom Up)》提出了一种新颖且有效的框架—弱监督互补部件模型，来完成细粒度图像分类任务。(论文中配图)作者首先通过基于弱监督学习的物体检测和实例分割提取粗糙的物体实例，然后在尽可能保持多样性的原则下，对每个物体实例的最佳组成部件进行估计和搜索。实验表明本文提出的框架在一些常用的为细粒度图像分类服务的公开标准测试集上大幅度地超越了当前最先进的算法。俞益洲教授领衔的深睿研究院，在2018年的科研攻坚战取得了阶段性的成果。俞教授本人在2018年度入选2019 IEEE Fellow以及2018ACM杰出科学，获得两项殊荣，并带领团队完成了7款医疗AI 领域的人工智能产品的研发。俞教授坦言成立深睿研究院的初衷就是为了可以集中企业最核心的技术力量，探索前瞻性的技术，为医疗AI提供领先的技术，为医疗机构提供优质的临床痛点的解决方案，同时培养优秀的医疗AI科技人才。目前深睿医疗已经和10多家国内外顶级学术机构建立长期学术科研合作，20多家顶级三甲医院建立长期临床科研合作。医疗AI任重道远，需要更多的科研人员投身其中，要有克服困难的决心，也要有进行长期技术积累的耐心。深睿研究院CVPR2019收录论文列表如下：[1] “Cascaded Generative and Discriminative Learning for Microcalcification Detection in Breast Mammograms”Fandong Zhang, Ling Luo, Xinwei Sun, Zhen Zhou, Xiuli Li, Yizhou Wang, Yizhou Yu, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, June 16-20, 2019.[2] “Towards Accurate Task Accomplishment with Low-Cost Robotic Arms”Yiming Zuo, Weichao Qiu, Lingxi Xie, Fangwei Zhong, Yizhou Wang, Alan Yuille, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, June 16-20, 2019.[3] “Convolutional Spatial Fusion for Multi-Agent Trajectory Prediction”Tianyang Zhao, Yifei Xu, Mathew Monfort, Wongun Choi, Chris Baker, Yibiao Zhao, Yizhou Wang, Yingnian Wu, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, June 16-20, 2019.[4] “Completeness Modeling and Context Separation for Weakly Supervised Temporal Action Localization”Daochang Liu, Tingting Jiang, Yizhou Wang, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, June 16-20, 2019.[5] “Cross-Modal Relationship Inference for Grounding Referring Expressions ”Sibei Yang, Guanbin Li, Yizhou Yu, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.[6] “Weakly Supervised Complementary Parts Models for Fine-Grained Image Classification from the Bottom Up ”Weifeng Ge, Xiangru Lin, Yizhou Yu, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.[7] “Multi-Source Weak Supervision for Saliency Detection”Yu Zeng, Huchuan Lu, Lihe Zhang, Yun Zhuge, Mingyang Qian, Yizhou Yu, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.[8] “Towards Rich Feature Discovery with Class Activation Maps Augmentation for Person Re-Identification”Wenjie Yang,Houjing Huang,Zhang Zhang,Xiaotang Chen,Kaiqi Huang,Shu Zhang. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.来源：中国网

为促进川东北地区医学影像专业高质量发展，提高影像专业技术水平，更新医学影像基础知识，推进影像与临床的交流融合，由南充市医学会和南充市高坪区人民医院（南充市第五人民医院）主办、南充市高坪区放射医学质量控制分中心和南充市临床医学影像诊断中心高坪分中心承办的省级继续医学教育项目"医学影像基础与临床应用培训班"暨南充市高坪区放射医学质控年会，于2020年10月23至24日在南充天来大酒店举行。川东北医学影像及卫生健康管理专家 教授 学者来到现场专题讲座 案例分享南充市医学影像与临床应用专业医护人员300人参加会议2020年南充市高坪区放射医学质控分中心年会，于10月23日在南充天来大酒店召开。分中心业务主任任龙主持会议，总结汇报分中心近一年的工作情况，各成员就分中心的工作提出建议并讨论。分中心行政主任任忠怀作总结发言，并提出下一步工作要点要求。川北医学院附属医院、四川省卫健委政策与医学情报研究所、四川省人民医院、成都市第三人民医院、遂宁市中心医院、南充市中心医院等多家医院与卫生研究机构的专家、教授，分别作题为《急性胰腺炎病程的动态变化及影像学评价》、《新冠肺炎的病理改变与影像学诊断的意义》、《科研成果评价和重点学科建设情况介绍》、《急腹症的影像学诊断》、《吸烟相关肺间质性疾病影像诊断》、《MRI弥漫成像临床应用进展》、《结缔组织相关间质性肺疾病的影像学特点》、《急性主动脉综合征》、《骨肉瘤的影像诊断》、《磁共振T2信号的临床解读》的专题讲座。南充市高坪区人民医院院长助理、影像中心主任任龙副主任医师，放射科主任刘宁川副主任医师，放射科副主任廖歆副主任医师，放射科副主任陈少贤副主任医师及部分兄弟单位专家应邀担任嘉宾主持。南充市高坪区医学影像质控分中心行政主任南充市高坪区人民医院纪委书记任忠怀主任医师主持开班式 致欢迎辞 作总结发言与会人员聆听了专家教授的专题讲座，收获了医学影像学的最新进展，巩固了医学影像学的基础知识，强化了医学影像学的临床应用，增进了同行间的交流友谊。本次学术会的成功举办，将进一步提升区域医学影像技术水平，促进和推动川东北地区医学影像专业高质量发展和影像与临床的交流融合！南充市高坪区人民医院放射科简介南充市高坪区人民医院放射科经过几代人的共同努力，40余年的风雨历程，现已发展成为集医疗、教学、科研、健康体检为一体的重要临床医技科室之一，是四川省甲级医学重点专科、南充市临床重点专科、南充市临床医学影像诊断中心高坪分中心、南充市放射医学质控中心高坪分中心，近年来获省市科研课题立项14项、市区科技成果6项、市政府科技进步奖2项、区政府科技进步奖3项。放射科电话：0817-3363107（放射科办公室）0817-3341193（磁共振室）(南充市高坪区人民医院 党委办图文 田卫东编审)

亿欧智库发布《2020年中国医疗影像产业链研究报告》受制于生产力发展水平，中国医疗器械行业整体起步较晚，2010年整体规模仅为179亿美元。随着国家整体实力的增强以及工业基础的提高，2010-2017年中国医疗器械行业市场规模复合增长率达到19.8%，远高于全球3.4%，2018年中国医疗机械总体市场规模达到757亿美元。在中国，医疗影像是医疗器械最大组成部分，占比16%，但国产医疗影像技术多数仍在成长期，相比全球技术发展落后大约5-10年。面对广阔的下游市场，国产医疗影像仍然面临较大的发展潜力，2017年中国医疗影像市场规模达到511亿元（73亿美元），占全球医疗影像市场17.4%；2010年至2017年中国医疗影像市场规模的复合增长率达到6.5%，远超全球增速1.0%。医疗影像产业链可细分为六个环节，分别为原料生产、零部件生产、核心组件制造、主机制造、系统集成和医院，其中原材料和零部件属于上游，核心组件和主机属于中游，系统集成和医院属于下游。下游医院分布构成中国医疗影像市场下游基本面，高级医院需求大、基数小、配备程度高，基层医院需求小、基数大、潜力大；人口老龄化、低渗透以及分级诊疗政策长期利好中国医疗影像市场；随着人工智能技术的发展，部分AI创业公司主要在下游影像辅助诊疗环节集中落地。中游影像设备是产业链主体，医学影像诊断设备可分为X成像、核磁共振成像、超声成像、核医学成像、光成像及热成像六大类，目前市场主流设备主要来自X成像、磁共振成像及超声成像领域。2016年计算机断层扫描（CT）、磁共振成像（MRI）、超声成像为前三大市场，分别占比22%、19%、17%。医疗影像主机总体向更清晰、更快速、更安全、更便携、更智能五大趋势共进发展：更清晰指的是成像质量上的提升，如DR的高精度机型、超声的高端机型、MRI高场强机型都是在成像精度上的提升；更快速指的是成像速度的加快，如MRI的高速成像趋势；更安全指的是人体在放射性环境中的时间减少以及检测环节的安全性提高；更便携指的是部分设备的小型化发展，如掌上超声；更智能是与AI相结合提高部分性能。医疗影像上游原材料种类众多，电子元器件、传感元件及材料、结构件为核心组件。传感元件是医疗影像领域重要的元器件，是信号发射和接收部分的重要物理部件，按照不同成像领域有不同传感器类别。如CMOS传感器通过更小的像素尺寸、更高的分辨率和更低的噪声水平得到了广泛的应用，a-Si TFT FPD的简单性和内置能力也受到广泛应用。传感器的输出信号一般非常弱，需要优化接口电路，在提供足够增益的同时又不会引入噪声，信号链在其中扮演重要角色，信号链是从物理信号转成数字信号的关键环节。尽管不同成像原理涉及不同物理量的测量，但都包括模数信号转换、预调理等过程，是对模拟信号采样的必经过程，其高精度特性（如动态范围、分辨率、准确性、线性度和噪声）将决定最终数字成像的质量。医疗影像领域以信号链为主的模拟芯片重要性提升：医疗影像行业对分辨率、安全性等需求不断增长，使其半导体含量继续增加，预计2020年全球医疗影像半导体相关元件出货量达到73000；其中模拟芯片占比从2014年8.6%提升至2020年20.5%。医疗影像主机五大趋势向上游传导，倒逼上游信号链及传感元件等升级，其中信号链升级在产业链发展趋势中作用明显，其主要向降低功耗、提高速率、提高成像质量、提高集成度四大方向发展。完整报告请点击阅读亿欧智库《2020年中国医疗影像产业链研究报告》，可联系分析师分享您的观点。

深度学习在医学影像中的研究进展及发展趋势王丽会1,2, 秦永彬1,21 贵州省智能医学影像分析与精准诊断重点实验室，贵州 贵阳 5500252 贵州大学计算机科学与技术学院，贵州 贵阳 550025摘要：医学影像是临床诊断的重要辅助工具，医学影像数据占临床数据的90%，因此，充分挖掘医学影像信息将对临床智能诊断、智能决策以及预后起到重要的作用。随着深度学习的出现，利用深度神经网络分析医学影像已成为目前研究的主流。根据医学影像分析的流程，从医学影像数据的产生、医学影像的预处理，到医学影像的分类预测，充分阐述了深度学习在每一环节的应用研究现状，并根据其面临的问题，对未来的发展趋势进行了展望。关键词：深度学习 ; 医学影像 ; 图像处理 ; 人工智能 ; 卷积神经网络论文引用格式：王丽会,秦永彬. 深度学习在医学影像中的研究进展及发展趋势[J]. 大数据, 2020, 6(6): 83-104.WANG L H, QIN Y B. State of the art and future perspectives of the applications of deep learning in the medical image analysis[J]. Big Data Research, 2020, 6(6): 83-104.1 引言医学成像已成为临床诊断的重要辅助手段，其包括计算机断层扫描（computed tomography，CT）成像、磁共振成像（magnetic resonance imaging，MRI）、正电子发射断层扫描（positron emission tomography，PET）成像、超声（ultrasound， US）成像、X射线（X-ray）成像等。如何借助大数据和人工智能技术，深入挖掘海量的医学图像信息，实现基于影像数据的智能诊断、智能临床决策以及治疗预后，已成为目前的研究热点。深度学习属于机器学习的分支，是目前实现人工智能技术的重要手段。随着深度学习技术在图像处理和计算机视觉领域的广泛应用，利用深度学习技术辅助临床诊断和决策已成为医学图像分析领域的研究重点。医学影像智能诊断的流程可大致分为3个步骤，首先获取大量高质量的图像数据，然后对图像进行预处理，最后挖掘图像信息，进行分析预测。其具体环节如图1所示。其中海量、高质量的图像数据是深度学习训练的基础，图像预处理（如配准、感兴趣区域提取）是后续分析准确度的基本保障，挖掘信息、建立预测模型是临床智能决策的关键。因此，本文将分别围绕这3个方面，阐述深度学习在医学图像处理分析流程中每个环节的主要应用现状，最后总结深度学习在医学影像研究中的发展趋势。图1 医学图像处理分析过程2 医学图像复原、重建与合成2.1 医学图像复原与重建海量、高质量的医学图像数据是利用深度学习技术实现影像精准诊断的基础。然而，由于成像设备和采集时间等因素的限制，在医学成像的过程中不可避免地会受到噪声、伪影等因素的影响。同时，针对某些成像方式，需要在成像分辨率和采集时间上进行折中，例如在CT成像中，为了降低辐射的影响，需要减少投影采集数目；在磁共振成像中，为了减少患者运动或者器官自身运动引起的伪影，需要降低K空间的采样率以减少采集时间，然而低采样率会严重影响图像的重建质量。为了获得高质量的采集图像，经常需要进行图像降噪、图像超分辨率重建、图像去伪影等复原与重建工作。下面将分别阐述深度学习在这几方面的研究现状。2.1.1 医学图像降噪基于深度学习的医学图像降噪主要应用在低剂量CT图像中。卷积降噪自动编码器（convolutional neural networkdenoise auto-encoder，CNN-DAE）是早期用于医学图像降噪的深度学习模型。该模型通过一些堆叠的卷积层，以编码和解码的方式从噪声图像中学习无噪图像，其鲁棒性较差，对噪声类型变化较为敏感。随后，Chen H等人提出RED-CNN降噪模型，将残差网络与卷积自动编码器相结合，通过跳跃连接形成深度网络，实现低剂量CT图像的降噪。同年，Kang E等人首先对低剂量CT图像进行方向小波变换，然后将深度卷积神经网络模型应用于小波系数图像，实现降噪，并使用残差学习架构加快网络训练速度，提高性能。虽然这些网络结构的降噪性能相较于传统方法得到了显著的提升，但是其网络训练均以复原CT图像与相应正常剂量CT图像之间的均方误差最小为优化目标，使得降噪图像存在细节模糊和纹理缺失等问题。为了解决这一问题，研究者提出改进损失函数和模型结构的方法来优化低剂量CT图像的降噪效果。WGAN-VGG模型通过引入感知损失，采用WGAN（Wasserstein generative adversarial network）模型进行降噪，利用Wasserstein距离和感知损失提高降噪图像与真实图像的相似性。基于WGAN-GP（gradient penalty）的SMGAN （structurally-sensitive multi-scale generative adversarial net）模型将多尺度结构损失和L1范数损失结合到目标函数中，并利用相邻切片之间的信息降噪，其结果优于WGAN-VGG模型。但是梯度惩罚的使用削弱了生成式对抗网络（generative adversarial network，GAN）的表示能力。为了解决这个问题，Ma Y J等人提出基于最小二乘生成对抗网络（least-square GAN，LS-GAN）的残差生成器结构，通过引入结构相似度和L1范数损失来提高降噪能力，生成器负责学习噪声，降噪图像为生成器的网络输入与网络输出的相减结果。除了生成模型，为了提高降噪效果，Yin X R等人同时在投影域和图像域采用3D残差网络进行降噪，并利用滤波反投影重建算法，实现投影域和图像域的相互转化，通过迭代的思想实现图像降噪。Wu D F等人提出一致性神经网络模型，实现了无监督的图像降噪方法，其不需要无噪图像标签，仅利用有噪图像对模型进行训练，从而获得降噪图像。可以看出，在利用深度学习进行降噪时，常需要利用有噪图像和无噪图像来训练模型，学习噪声类型，或者学习无噪图像与有噪图像之间的对应关系，进而实现图像降噪。这种方式具有一定的局限性，在临床的某些应用上，很难获得真实的无噪图像。因此，如何采用无监督或者自监督模型，仅利用有噪图像实现医学图像降噪将是未来研究的主要方向。2.1.2 医学图像超分辨率重建高分辨率的医学图像可以提供更多的临床诊断细节，然而由于采集设备的限制，临床上高分辨率图像较难获取。因此，如何利用深度学习技术从一幅或者多幅低分辨率医学图像中获得高分辨率图像成为当前主要研究热点之一。随着深度学习模型在自然图像超分辨率重建中的成功应用，采用深度学习模型进行医学图像超分辨率重建的研究逐渐开展起来。然而，医学图像与自然图像有本质的区别，其超分辨率重建不仅需要在图像切片平面上进行，还需要在切片之间进行，如图2所示。图2 医学图像超分辨率图像示意图（此图部分来自参考[9] ）除了将自然图像中的超分辨率重建模型直接应用到医学图像，Oktay O等人采用深度残差卷积网络从多个2D心脏磁共振（magnetic resonance，MR）图像中重建出3D高分辨率MR图像，提高了层间分辨率。Pham C H等人将SRCNN模型拓展到3D，以实现脑部MR图像的超分辨率重建。McDonagh S等人提出对上下文敏感的残差网络结构，可以得到边界和纹理清晰的高分辨率MR图像。Zheng Y等人提出多个Dense模块和多路分支组合的MR高分辨重建模型，该模型具有较好的重建结果和泛化能力。Zhao X L等人提出通道可分离的脑部MR图像高分辨率重建模型，一个通道采用残差结构，一个通道采用密集连接结构，实现了特征的有效利用，从而提高高分辨率图像的重建质量。Tanno R等人结合3DSubpixelCNN和变分推论实现了磁共振扩散张量图像的超分辨率重建。Peng C等人提出空间感知插值网络（spatially aware interpolation network，SAINT），充分利用不同切面的空间信息提高超分辨率图像的重建质量，该模型在对CT图像进行2倍、4倍和6倍分辨率重建时，均取得了较好的结果。Shi J等人提出一种多尺度全局和局部相结合的残网络（multi-scale global local resial learning，MGLRL）模型，实现了MR图像的超分辨重建，该模型可以增强图像重建细节。Lyu Q等人采用GAN实现了多对比度MR图像的超分辨率重建。与医学图像降噪相似，基于深度学习的超分辨率图像重建需要低分辨率图像样本和高分辨率图像样本对对网络进行训练。通常采用下采样的方式进行高/低分辨率图像样本对的构造。然而针对不同模态的医学成像，其成像原理大不相同，高分辨率和低分辨率之间的对应关系也不尽相同。因此，采用人工下采样的方式获得训练数据，学习低分辨率图像与高分辨率图像的对应关系，很可能与实际采集中低分辨率图像与高分辨率图像的对应关系不相符，进而导致重建的高分辨图像无意义，因此如何构建符合实际的高/低分辨率图像样本对是利用深度学习进行超分辨重建的难点。2.1.3 医学图像重建医学图像重建是指将采集的原始数据重建为临床上可视图像的过程，如CT采集的原始数据为投影图像，MR采集的原始数据为K空间数据，需要重建算法才能获得临床上用于诊断的图像。在实际应用中，由于一些采集条件的限制（如在CT中尽量减少投影数目，缩短采集时间，以降低辐射影响；在MR成像中，减少K空间填充数目，缩短采集时间，以避免患者的不适或者由患者运动带来的图像伪影），需要降低原始数据的采集率。然而，降低原始数据的采集率必然会影响图像的重建质量。因此，研究合适的重建算法，保证在原始数据低采样率下仍能获得高质量的重建图像，成为医学图像重建中的研究重点。目前采用深度学习模型进行医学图像重建的方法主要分为两类：一类是从原始数据直接到图像的重建，另一类是基于后处理的方式提高重建图像的质量。第一类方法的代表模型有：ADMM-Net，其用深度迭代的方式学习传统交替方向乘子（alternating direction method of multipliers，ADMM）优化算法中的超参数，可以直接从欠采样的K空间数据中重构出MR图像；Adler J等人提出对偶学习模型，用其代替CT重建中的滤波反投影方法，实现了投影数据到CT图像的准确重建；Cheng J等人在此基础上提出原始-对偶网络（primal-al network， PD-Net），实现了MR图像的快速重建；Zhang H M等人提出JSR-Net（joint spatial-Radon domain reconstruction net），利用深度卷积神经网络模型，同时重建CT图像及其对应的Radon投影变换图像，得到了比PD-Net更好的重建结果。第二类方法是目前主要的重建方式，即采用图像去伪影的后处理模型进行重建。用于图像降噪、超分辨重建的模型都可以用于该类型的图像重建，如Lee D等人提出带有残差模块的U-Net模型结构来学习重建图像与原始欠采样图像之间的伪影；随后，他们又提出利用双路U-Net模型对相位图像和幅度图像进行重建，进而提高了MR图像的重建质量；Schlemper J等人采用深度级联的卷积神经网络（convolutional neural network，CNN）模型，学习动态MR图像采集的时序关系，进而在快速采集下提高动态MR图像的重建质量；Han Y等人采用域适应微调方法，将CT图像重建的网络应用到MR图像重建上，可以实现高采样率下的准确重建；Eo T等人提出KIKI-Net，同时在K空间和图像空间域上使用深度学习网络进行重建，提高了MR图像重建的性能；Bao L J等人采用一个增强递归残差网络，结合残差块和密集块的连接，用复数图像进行训练，得到了较好的MR图像重建结果；Dai Y X等人基于多尺度空洞卷积设计深度残差卷积网络，以较少的网络参数提高了MR图像的重建精度；受到GAN在视觉领域成功应用的启发，Yang G等人提出一种深度去混叠生成对抗网络（DAGAN），以消除MRI重建过程中的混叠伪影；Quan T M等人提出一种具有周期性损失的RefinGAN模型，以极低的采样率提高了MR图像的重建精度；Mardani M等人基于LS-GAN损失，采用ResNet的生成器和鉴别器来重建MR图像，获得了较好的可视化结果。图像降噪、图像超分辨率重建、图像重建等均属于反问题求解。因此，其模型可互相通用，本文不对其进行一一阐述。2.2 医学图像合成2.2.1 医学图像数据扩展目前，临床上医学图像合成主要有两个目的。其一，扩展数据集，以获得大量医学影像样本来训练深度学习模型，从而提高临床诊断和预测的准确度。尽管已有很多数据扩展方法，如平移、旋转、剪切、加噪声等，但是其数据扩展方式无法满足数据多样性的需求，在提升深度学习模型的预测精度以及泛化能力上仍有待提高。其二，模拟成像。由于不同模态的医学图像可以提供不同的信息，融合不同模态的医学影像信息可以提高临床诊断精度。然而同一个病人的多模态影像信息很难获取，此时图像合成便提供了一种有效的手段。此外，某些新兴的成像技术对成像设备具有较高的要求，仅少数的医院及科研机构可以满足要求，因此图像合成为获取稀缺的影像数据提供了可能。随着GAN模型在自然图像合成上的成功应用，应用GAN的衍生模型进行医学图像合成已成为近几年的研究热点。在医学图像数据集扩展方面，主要采用无条件的GAN模型进行合成，即主要从噪声数据中生成医学图像。常用的方法是以深度卷积生成对抗网络（deep convolutional GAN，DCGAN）为基线模型进行改进。如Kitchen A等人基于DCGAN模型成功地合成了前列腺的病灶图像；Schlegl T等人基于DCGAN提出一种AnoGAN模型，用来生成多样的视网膜图像，以辅助视网膜疾病的检测；Chuquicusma M J M等人采用DCGAN模型生成肺结节数据，其结果可达到临床放射科医生无法辨别的程度；Frid-Adar M等人使用DCGAN生成了3类肝损伤（即囊肿、转移酶、血管瘤）的合成样本，以提高肝病分类的准确性；Bermudez C等人采用DCGAN的原有训练策略，生成了高质量的人脑T1加权MR图像。尽管DCGAN在医学图像合成上取得了众多有价值的成果，但其仅能合成分辨率较低的图像。为了提高医学图像合成的质量，一些改进的GAN模型被提出，如Baur C等人采用LAPGAN，基于拉普拉斯金字塔的思想，利用尺度逐渐变化来生成高分辨率的皮肤病变图像，该方法生成的图像可以有效地提高皮肤疾病分类的准确性。此外，基于渐进生长生成对抗网络（progressive grow GAN，PGGAN）在高分辨率图像合成方面的优势，Korkinof D等人利用PGGAN合成了分辨率为1 280×1 024的乳腺钼靶X光图像。2.2.2 医学图像模态转换医学图像的模态转换合成可以分成两类。一类是单模态的转换，如低剂量CT到普通计量CT图像的转换提出上下文感知生成模型，通过级联3D全卷积网络，利用重建损失、对抗损失、梯度损失，采用配对图像进行训练，实现了MR图像到CT图像的合成，提高了合成CT图像的真实性。除了级联模型，在多模态图像转换任务中，常采用的深度模型网络架构为编码-解码结构，典型代表为Pix2Pix以及CycleGAN模型。如Maspero M等人采用Pix2Pix的网络结构，实现了MR图像到CT图像的转换，进而实现放化疗过程中辐射剂量的计算；Choi H等人基于Pix2Pix模型，从PET图像生成了结构信息更加清晰的脑部MR图像。尽管Pix2Pix模型可以较好地实现多模态图像的转换，但是其要求源图像与目标图像必须空间位置对齐。这种训练数据在临床上是很难获取的。针对源图像和目标图像不匹配的问题，通常采用CycleGAN模型进行图像生成。Wolterink J M等人使用不配对数据，利用CycleGAN从头部MRI图像合成了其对应的CT图像，合成图像更真实。目前，CycleGAN已成为多模态医学图像转换中广泛采用的手段，如心脏MR图像到CT图像的合成、腹部MR图像到CT图像的合成、脑部C T图像到M R图像的合成等。然而CycleGAN有时无法保留图像的结构边界。Hiasa Y等人引入梯度一致性损失，对CycleGAN模型进行了改进，该损失通过评估原始图像与合成图像之间每个像素梯度的一致性来保留合成图像的结构边界，进而提高了合成图像的质量。3 医学图像配准与分割在很多医学图像分析任务中，获得高质量的图像数据后，经常需要对图像进行配准，并对感兴趣区域进行分割，之后才能进行图像分析和识别。本节分别对深度学习在医学图像配准以及分割领域的应用进行详细的阐述。3.1 医学图像配准图像配准是对不同时刻、不同机器采集的图像进行空间位置匹配的过程，是医学图像处理领域非常重要的预处理步骤之一，在多模态图像融合分析、图谱建立、手术指导、肿瘤区域生长检测以及治疗疗效评价中有广泛的应用。目前，深度学习在医学图像配准领域的研究可以分成3类，第一类是采用深度迭代的方法进行配准，第二类是采用有监督的深度学习模型进行配准，第三类是基于无监督模型的深度学习配准。第一类方法主要采用深度学习模型学习相似性度量，然后利用传统优化方法学习配准的形变。该类方法配准速度慢，没有充分发挥深度学习的优势，因此近几年鲜见报道。本文主要集中介绍有监督学习和无监督学习的医学图像配准。基于有监督学习的配准在进行网络训练时，需要提供与配准对相对应的真实变形场，其配准框架如图3所示。网络模型的训练目标是缩小真实变形场与网络输出变形场的差距，最后将变形场应用到待配准的图像上，从而得到配准结果。在有监督学习的医学图像配准中，变形场的标签可以通过以下两种方式获得：一种是将经典配准算法获得的变形场作为标签；另一种是对目标图像进行模拟形变，将形变参数作为真实标签，将形变图像作为待配准图像。在基于有监督学习的刚性配准方面，Miao S等人首先结合CNN，采用回归的思想将3D X射线衰减映射图与术中实时的2D X射线图进行刚体配准；Salehi S S M等人结合深度残差回归网络和修正网络，采用“先粗配准，再细配准”的策略，基于测地线距离损失实现了3D胎儿大脑T1和T2加权磁共振图像的刚体配准，建立了胎儿大脑图谱；随后，Zheng J N等人采用域自适应的思想，利用预训练网络实现了2D和3D射线图像配准，其设计了成对域适应模块，用来调整模拟训练数据与真实测试数据之间的差异，以提高配准的鲁棒性。在非线性配准方面，模拟非线性变形场比模拟刚性变形场困难很多，因此在基于有监督学习的非线性配准中，大多采用经典方法获得变形场，并以其为标签，对模型进行训练。Yang X等人首先以U-Net网络模型为基线结构，利用微分同胚算法获得变形场，并将其作为标签，实现2D和3D脑部MR图像的端到端配准。因为非线性变形场较难模拟，所以在监督学习中引入弱监督配准和双监督配准的概念。弱监督配准指利用解剖结构标签做配准的标记，学习变形场。Hu Y P等人使用前列腺超声图像和MR图像的结构标记训练CNN模型，学习变形场，然后将变形场施加在灰度图像上，从而实现MR图像和超声图像的配准。Hering A等人采用相似度测量和组织结构分割标签，同时训练配准网络，提高了心脏MR图像的配准精度。双监督配准是指模型采用两种监督形式的损失函数进行训练，如Cao X H等人在进行MR图像和CT图像配准时，先利用生成网络将MR图像转换为其对应的CT图像，将CT图像转换为其对应的MR图像，在配准的过程中，同时计算原始MR图像与生成MR图像之间的相似性损失以及原始CT图像与生成CT图像之间的相似性损失，通过两种损失的优化，提高配准的精度；Fan J F等人结合有监督模型损失和无监督模型损失，实现了脑部MR图像的准确配准。有监督学习的医学图像配准的精度取决于标签的可靠性，因此，如何生成可靠的标签并设计合适的损失函数，是有监督学习的医学图像配准中待解决的难点。图3 有监督深度学习医学图像配准框架随着空间变换网络（spatial transformer network，STN）的问世，利用无监督深度学习模型进行医学图像配准成为研究热点。其配准网络框架如图4所示。Yo o I等人结合卷积自动编码器（convolutional auto-encoder，CAE）和STN模型，实现了神经组织显微镜图像的配准，其中CAE负责提取待配准图像与目标图像的特征，基于该特征计算相似性损失，结果表明，该种损失能取得较好的配准结果。2018年，Balakrishnan G等人提出VoxelMorph网络结构，以U-Net为基线模型，结合STN模块，实现了MR图像的非线性配准；随后，其对模型进行了改进，引入分割标记辅助损失，进一步提高了配准的Dice分数。Kuang D等人提出空间变换模块，用于替代U-Net网络结构，在降低模型参数的前提下，实现了脑部MR图像的准确配准。Zhang J为了进一步提高无监督配准的准确度，除了相似度损失，还引入了变换平滑损失、反向一致性损失以及防折叠损失。其中，变化平滑损失和防折叠损失是为了保证变形场的平滑性。反向一致性损失在互换待配准图像与目标图像时，可保证变形场满足可逆关系。Tang K等人利用无监督网络实现了脑部MR图像的端到端配准，即网络模型同时学习了仿射变换参数和非线性变换参数。除了基于CNN模型的无监督配准，采用GAN模型进行配准也已成为一种研究趋势，即采用条件生成对抗网络进行医学图像配准。其中，生成器用来生成变换参数或者配准后的图像，判别器用于对配准图像进行鉴别。通常在生成器与判别器之间插入STN模块，以进行端到端训练。目前，基于GAN模型的医学图像配准有较多的应用，如前列腺MR图像与超声图像配准，以CycleGAN为基线模型的多模态视网膜图像、单模态MR图像配准，CT图像和MR图像配准等。在基于GAN的医学图像配准中，GAN模型或者起到正则化的作用，用来调节变形场及配准图像，或者用来进行图像转换，利用交叉域配准提高配准的性能。表1总结了典型的无监督配准模型和有监督配准模型。图4 无监督深度学习图像配准网络框架3.2 医学图像分割医学图像分割是计算机辅助诊断的关键步骤，是进行感兴趣区域定量分析的前提。随着深度学习在语义分割中的快速发展，将自然图像分割模型扩展到医学图像已成为主要趋势。在医学图像分割中，采用的主流网络框架有CNN、全卷积网络（full convolutional network，FCN）、U-Net、循环神经网络（recurrent neural network，RNN）和GAN模型。目前常用的医学图像分割模型包括2.5D CNN，即分别在横断面、失状面、冠状面上使用2D卷积进行分割，在节约计算成本的前提下，充分利用三维空间的邻域信息提高分割的准确度。FCN是深度学习语义分割的初始模型，通过全卷积神经网络和上采样操作，可以粗略地获得语义分割结果。为了提高分割细节，采用跳跃连接将低层的空间信息和高层的语义信息相结合，以提高图像分割的细腻度。FCN及其变体（如并行FCN、焦点FCN、多分支FCN、循环FCN等）已被广泛应用到各种医学图像分割任务中，且表现良好。U-Net是由一系列卷积和反卷积组成的编码和解码结构，通过跳跃连接实现高级语义特征和低级空间信息的融合，进而保证分割的准确度。U-Net及其变体（如Nested U-Net、V-Net、循环残差U-Net）在医学图像分割上取得了较好的分割结果，是目前医学图像分割的主流基线模型。RNN类分割模型主要考虑医学图像分割中切片和切片之间的上下文联系，进而将切片作为序列信息输入RNN及其变体中，从而实现准确分割。典型的模型有CW-RNN（clockwork RNN）和上下文LSTM模型，其通过抓取相邻切片的相互关系，锐化分割边缘。在此基础上， Chen J X等人提出双向上下文LSTM模型——BDC-LSTM，即在横断面双向、矢状面双向和冠状面双向上学习上下文关系，其结果比采用多尺度分割的金字塔LSTM模型要好。基于GAN的分割的主要思想是生成器被用来生成初始分割结果，判别器被用来细化分割结果。一般在分割网络中，生成器常采用FCN或者U-Net网络框架，判别器为常见的分类网络结构，如ResNet、VGG等。基于GAN的医学图像分割已经被应用到多个器官和组织的医学图像分割任务中。表2为常见医学图像分割模型所用的数据集以及其分割性能对比。4 医学图像分类及识别4.1 医学图像分类医学图像分类和识别是计算机辅助诊断（computer-aided diagnosis，CAD）的最终目标。在深度学习出现前，常采用人工定义的图像特征（如图像的纹理、形状、图像的灰度直方图等），经过特征选择后，再基于机器学习模型（如支持向量机、逻辑回归、随机森林等）进行分类。典型代表为影像组学方法，其在肿瘤的分型分期、治疗的预后预测方面取得了很多重要的成果。然而，人工定义特征以及特征选择方式很大程度上影响了分类的可靠性和鲁棒性。近年来，深度学习模型的飞速发展，尤其是CNN的广泛应用，使得利用神经网络模型自动提取和选择特征并进行分类成为主流趋势。CNN模型的不同变体已经在基于医学影像的临床疾病诊断中得到了广泛的应用，例如基于Kaggle公司的眼底图像公开数据集，Shanthi T等人使用改进的AlexNet进行糖尿病视网膜病变的分类，其精度可以达到96.6%左右；基于VG G，利用胸片进行肺结节的良恶性分类，其精度可高达99%。目前，在常见的CNN变体中，ResNet和VGG在医学影像分类中的表现最好，因此大多数的肿瘤检测、脑神经系统疾病分类、心血管疾病检测等将这两种模型作为基线模型进行研究。与自然图像数据相比，医学图像数据中满足模型训练需求的数据较少。因此，为了提高临床影像智能诊断的准确性，通过知识迁移来训练医学图像分类模型已成为主流。常见的知识迁移包含自然图像到医学图像的迁移、基于临床知识的指导迁移。在自然图像到医学图像的迁移中，主要有两种方式：一种是固定利用自然图像训练的网络模型的卷积层参数，利用该参数提取医学影像特征，然后利用该特征结合传统的机器学习方法进行分类；另一种是将自然图像训练的网络模型参数作为医学图像训练模型的初始化参数，通过微调来实现医学图像分类。除了自然图像到医学图像的迁移，还可以利用其他医学图像数据集，采用多任务学习的方式进行数据信息共享，弥补数据不足带来的分类缺陷。基于临床知识的指导迁移将临床医生诊断的经验（如医生的经验学习方式、影像诊断方式以及诊断关注的图像区域和特征等）融入模型，根据临床医生诊断的经验，即先掌握简单的疾病影像诊断，再进行复杂疾病诊断，研究者们提出了“课程学习”模型，将图像分类任务从易到难进行划分，模型训练先学习简单的图像分类任务，再学习较难的分类任务。基于该方式的学习可以提高分类的准确度。基于医生诊断的方式（如迅速浏览全部医学图像，再选择某些切片进行诊断），研究者提出基于全局和局部的分类模型，其在胸片和皮肤疾病的诊断上取得了较好的效果。基于诊断时关注的影像区域，带有注意力机制的分类模型被提出，典型的代表有AGCNN（attention-based CNN for glaucoma detection）、LACNN（lesion aware CNN）和ABN（attention branch network），通过引入注意力，网络可以关注某些区域，从而提高分类的精度。此外，根据医生诊断用到的经验特征，如肿瘤的形状、大小、边界等信息，将人工定义的特征与深度模型提取的特征进行融合，提高医学图像的分类精度，也是一种趋势。如Majtner T等人将人工特征分类结果与深度学习分类结果进行融合，提高了皮肤癌分类的准确度；Chai Y D等人将人工特征和深度学习特征进行融合并训练分类器，从而实现青光眼图像的分类；Xie Y T等人将人工提取的特征图像块与深度学习图像块同时作为ResNet模型的输入，实现肺结节的准确分类。如何将深度学习特征与传统人工特征进行有效的融合，是该类模型设计的难点。4.2 医学图像目标识别医学图像目标识别也属于临床诊断的一种，即在一幅图像中标记出可能病变的区域，并对其进行分类，如图5所示。图5 医学图像目标识别示意图传统的人工标记识别费时费力。最初将深度学习模型应用于目标识别时，主要是将图像分成小块，逐块输入由CNN等组成的二分类模型中，判断其是否属于目标区域。随着深度学习模型在目标检测领域的快速发展，尤其是Fast R-CNN模型和Mask R-CNN模型的出现，将整幅医学图像输入模型，即可一次找到所有可能的目标区域。但是在这两类模型中均存在一个区域建议模块和一个分类模块，二者需要进行迭代更新，模型的速度并不能满足临床的实时性要求。YOLO（you only look once）和SSD（single shot multibox detector）模型的问世解决了目标检测的实时性问题。基于此类模型，Lin T Y等人提出RetinaNet模型，并将其扩展应用到病理图像和钼靶图像乳腺肿瘤识别、CT图像的肺结节检测中。上述模型均针对2D图像进行目标检测，忽略了3D图像中切片和切片之间的空间信息。为了提高识别的准确度，基于RNN和LSTM的识别模型被应用到医学图像中。此外，在医学图像目标识别中，同样存在数据不充足的问题。为了解决这个问题，基于迁移学习的医学图像识别逐渐开展起来，如基于ImageNet数据进行模型迁移，实现肺结节、乳腺癌和结直肠息肉的检测。同时，基于临床经验知识指导的迁移学习也被应用到医学图像的目标检测中。典型代表有AGCL模型，其基于注意力的课程学习，实现胸片中的肿瘤检测；CASED （curriculum adaptive sampling for extreme data imbalance）模型，其可检测CT图像中的肺结节；特征金字塔模型（feature pyramid network，FPN），其采用不同对比度的图像，利用多尺度注意力模型实现肿瘤检测。图像分类和图像目标识别是医学影像临床诊断的最终目标，是目前人工智能技术与临床紧密结合的研究方向。笔者仅对分类识别的几种情况进行了阐述，以便掌握其发展方向。表3给出了肿瘤分类中常用的医学图像数据集以及深度学习模型，并对比了其分类性能。5 结束语本文从医学图像数据产生、医学图像预处理，以及医学图像识别和分类等方面，阐述了深度学习模型在医学图像分析领域的应用现状。尽管深度学习模型（如CNN、LSTM、GAN、注意力机制、图模型、迁移学习等）在医学图像分析中已取得众多突破，然而将深度学习应用于临床，辅助临床进行精准诊断和个性化治疗仍受到以下几方面的限制。首先，现有的深度学习模型对影像数目和质量有较高的要求，而临床上带有标记的医学影像数据难以获取，且目前临床诊断预测常使用的方法是有监督学习，数据的不充足势必会影响预测的准确性和稳定性。因此，如何在只有少量有标签数据的情况下，采用弱监督、迁移学习以及多任务学习的思想，提高分类预测的准确度，将是持续的研究热点。其次，临床应用对可解释性要求较高，而目前深度学习模型所学习的特征无法进行有效的解释。尽管现阶段已有研究学者提出采用可视化以及一些参数分析来对模型和结果进行解释，但是与临床需求中要求的形成可解释的影像学标记还有一定的距离。因此，研究深度学习模型的可解释方法将是医学图像领域的研究热点。最后，如何提高模型预测的鲁棒性是待解决的难点。现有深度学习模型多数仅针对单一数据集效果较好，无法在不训练的情况下，较好地预测其他数据集。而医学影像由于采集参数、采集设备、采集时间等因素的不同，相同疾病的图像表现可能大不相同，这导致现有模型的鲁棒性和泛化性较差。如何结合脑认知思想改进模型结构以及训练方式，提高深度学习模型的泛化能力，也是医学图像应用领域中待研究的关键问题。作者简介王丽会（1982-），女，博士，贵州大学计算机科学与技术学院、贵州省智能医学影像分析与精准诊断重点实验室副教授，主要研究方向为医学成像、机器学习与深度学习、医学图像处理、计算机视觉 。秦永彬（1980-），男，博士，贵州大学计算机科学与技术学院、贵州省智能医学影像分析与精准诊断重点实验室教授，主要研究方向为大数据治理与应用、文本计算与认知智能。联系我们:Tel:010-81055448010-81055490010-81055534E-mail:bdr@bjxintong.com.cn

医学影像设备作为高端医疗器械以及严格配置管控产品，政策环境对于医学影像设备的产品标准、市场规模、市场结构等会有绝对的导向作用。自二十一世纪以来，我国陆续出台了医院改革制度、医学影像设备配置改革等相关政策，对于医学影像设备行业产生了深远的影响。国家层面医学影像设备行业政策汇总及重点政策解读1、政策汇总自2012年以来，国家相关部门连续出台一系列医疗行业相关政策，其中利好医疗影像行业发展的红利包括：(1)鼓励公立医院采购国产医疗设备，扶持民营医院，新增医疗设备需求;(2)夯实医疗信息化建设，构建云端医疗数据库;(3)全面推进分级诊疗，鼓励民营资本流入建设独立检查检验中心、远程医疗;(4)推动医疗大数据的应用开发，5G在医学领域的应用开发等。由此，具有领先技术的国产影像设备商、PACS厂商、独立影像中心、远程影像诊断、影像智能分析都将取得发展。2、重点政策解读：《大型医用设备配置许可管理目录(2018年)》2018年4月，国家卫健委发布新版《大型医用设备配置许可管理目录(2018年)》，相较之前的版本，此次发布的《管理目录》中新增了“取消低配CT、永磁MRI和DSA的配置证”等条目，释放出了逐步放宽大型医用设备配置管理的信号。(1)新版目录甲类管理目录由12个减至5个，将6个设备调整至乙类管理目录，价格下限调整为3000万。(2)乙类管理目录由5个调整为7个，多出的主要为从甲类调出的设备，同时调出两类设备，价格下限调整为1000万。其中16排CT、DSA和永磁MRI均不再需要配置证，这些低配医学影像设备配置证的取消将直接有利于基层医疗机构和民营医疗机构的设备采购，从而提升基层医疗器械的渗透率，提高医疗卫生水平，降低地区间差异。(3)省市级政府逐步探索社会办医学实行乙类配置证告知承诺制。在国家调整乙类配置证范围的同时，地方社会办医疗机构乙类大型医用配置证试点告知承诺制，并对公立医院配置证实行国产优先制，进一步降低医疗机构配置影像设备的难度，并提升公立医院的国产率。地方层面医学影像设备行业政策汇总及解读多地政府已在采购文件中提出限制采购进口产品，鼓励采购国产设备。其中浙江省将单独编制国产大型医用设备配置规划，并进一步简化配置评审流程，优化审批流程和服务，缩短评审周期等;四川省允许采购进口的医疗设备由93种缩减到39种，彩超、DSA、MRI/PET-CT/ECT/CT等要求“用于临床工作的，应使用国内产品;广东省的《清单》中，3.0以下MRI、64排以下CT、数字肠胃机、DR、彩超被纳入控制进口的名单内。更多数据来源及分析请参考于前瞻产业研究院《中国医学影像设备行业市场需求与投资规划分析报告》，同时前瞻产业研究院还提供产业大数据、产业规划、产业申报、产业园区规划、产业招商引资等解决方案。

投稿来源：陈根人工智能的勃兴已经成为推动社会经济发展的新动力之一，它在提高社会生产效率、实现社会发展和经济转型等方面发挥重要作用。作为主导新一代产业变革的核心力量，人工智能在医疗方面展示出了新的应用方式，在深度融合中又催生出新业态。事实上，相对于制造业、通信传媒、零售、教育等领域，人工智能在医疗还处于早期阶段，商业化程度相对偏低，行业渗透率较低，这固然与医疗行业的谨慎和保守有密切关系。但不可否认，人工智能在医疗领域的结合点响应了传统医疗的诸多困境，具有广泛的市场需求、多元业务趋和广阔的发展空间。新冠疫情推动人工智能从“云端”落地出演了关键角色，提高了抗疫的整体效率。疫情更是成为人工智能在医疗领域的试金石，昭示着人工智能在医疗的力量和价值。从应用场景来看，人工智能医疗应用尚在起步阶段，影像识别、远程问诊、健康管理、暂处第一梯队。其中，影像识别作为辅助诊断的一个细分领域，将人工智能技术应用于医学影像诊断中，是在医疗领域中人工智能应用最为广泛的场景。人工智能落地影像识别影像诊疗的概念原起源于肿瘤学领域，之后其外延才扩大到整个医学影像领域，理解医学影像、提取其中具有诊断和治疗决策价值的关键信息是诊疗过程中非常重要的环节。过去，医学影像前处理+诊断需要4-5名医生参与。然而，基于人工智能的影像诊断，训练计算机对医学影像进行分析，只需1名医生参与质控及确认环节，这对提高医疗行为效率大有裨益。人工智能在医学影像得以率先爆发与落地应用，主要是由于影像数据的相对易获取性和易处理性。相比于病历等跨越三五年甚至更长时间的数据积累，影像数据仅需单次拍摄，几秒钟即可获取。一张影像片子即可反映病人的大部分病情状况，成为医生确定治疗方案的直接依据。医学影像庞大且相对标准的数据基础，加上智能图像识别等算法的不断进步，为人工智能医疗在该领域的落地应用提供了坚实基础。从技术角度来看，医学影像诊断主要依托图像识别和深度学习这两项技术。依据临床诊断路径，首先将图像识别技术应用于感知环节，将非结构化影像数据进行分析与处理，提取有用信息。其次，利用深度学习技术，将大量临床影像数据和诊断经验输入人工智能模型，使神经元网络进行深度学习训练；最后，基于不断验证与打磨的算法模型，进行影像诊断智能推理，输出个性化的诊疗判断结果。依托于图像识别和深度学习的人工智能和医学影像的结合，至少能够解决三种需求。一是病灶识别与标注，即通过Al医学影像产品针对医学影像进行图像分割、特征提取、定量分析、对比分析等。针对这种需求，X线、CT、核磁共振等医学影像的病灶自动识别与标注系统，可以大幅提升影像医生诊断效率。目前的Al医学影像系统已可以在几秒内快速完成对十万张以上的影像的处理，同时可以提高诊断准确率，尤其是降低了诊断结果的假阴性概率。二是靶区自动勾画与自适应放疗。靶区自动勾画及自适应放疗产品能够帮助放疗科医生对200到450张CT片进行自动勾画，时间大大缩短到30分钟一套，并且在患者15到20次上机照射过程中间不断识别病灶位置变化以达到自适应放疗，可以有效减少射线对病人健康组织的伤害。三是影像三维重建。基于灰度统计量的配准算法和基于特征点的配准算法，解决断层图像配准问题，节约配准时间，在病灶定位、病灶范围、良恶性鉴别、手术方案设计等方面发挥作用。从落地方向来看，目前，我国Al医学影像产品布局方向主要集中在胸部、头部、盆腔、四肢关节等几大部位，以肿瘤和慢病领城的疾病筛查为主。在人工智能医学影像发展应用初期，肺结节和眼底筛查为热门领域。近两年随着技术不断成熟迭代，各大Al医学影像公司也在不断扩大自己的业务半径，乳腺癌、脑卒中和围绕骨关节进行的骨龄测试也成为市场参与者重点布局的领域。在疫情中，Al 医学影像就参与到新冠肺炎病灶定量分析与疗效评价中，成为提升诊断效率和诊断质量的关键力量。政策资本双双入局如果说影像数据的相对易获取性和易处理性，是人工智能在医学影像得以率先爆发与落地应用的主要原因，国家政策的支持和资本的大量入场则给了人工智能在医学影像的应用持续更新的动力。从政策加码来看，2013至2017年，政府各部门出台多项政策，不断加大对国产医学影像设备、第三方独立医学影像诊断中心、远程医疗等领域的支持力度。2016年末，国务院就印发了《“十三五”国家战略性新兴产业发展规划》，其中多次提及医疗影像，指出要“发展高品质医学影像设备”、“支持企业、医疗机构、研究机构等联合建设第三方影像中心”。2017年1月，国家发改委更是把医学影像设备及服务列入《战略性新兴产品重点产品和服务指导目录》。2017年11月15日，科技部在北京举行“新一代人工智能发展规划暨重大科技项目启动会”。其中，腾讯公司自建的“腾讯觅影”入选成为医疗影像国家新一代人工智能开放创新平台。值得一提的是，腾讯觅影Al和腾讯云技术的人工智能CT设备就在疫情期间，于湖北多家医院进行部署，帮助医护人员进行诊疗。除了政策的支持，资本的入场也为人工智能医疗影像的持续发展添加动力。根据Global Market Insight的数据报告，从应用划分的角度来说，人工智能医学影像市场作为人工智能医疗应用领域第二大细分市场，将以超过40%的增速发展，在2024年达到25亿美元规模，占比达25%。作为被人工智能技术赋能的医疗器械，其背后依然面对市场，随着数据的持续积累、算法的进一步成熟，AI医疗影像的商业模式历经前期的探索也愈发清晰。时下，就Al医学影像而言，可行的商业模式包括两种：一是与区县级基层医院、民营医院、第三方检测中心等合作，提供影像资料诊断服务，并按诊断数量收取费用。也就是说，与医院方共同提供医学影像服务并采取分成模式；二是与大型医院、体检中心、第三方医学影像中心及医疗器械厂商合作，提供技术解决方案，一次性或者分期收取技术服务费。目前，国内已有超过百家企业将人工智能应用于医疗领域，其中，更有大部分公司涉足医学影像领域，远高于其他应用场景的企业数量。亿欧《2018中国人工智能商业落地》报告中，在中国100家人工智能相关非上市企业2018年预计营收范围里，人工智能医疗公司共有10家进入100强，而这10家公司里则有6家涉足AI医学影像。从市场竞争格局来看，中国Al医学影像领域市场参与者众多。既有GE医疗、乐普医疗等传统医疗器械公司、也有 Google、IBM、阿里、腾讯等科技巨头，以及依图医疗、深睿医疗、数坤科技、推想科技等众多初创公司，不同类型的市场参与者在资金支持、市场拓展、产品设计、技术研发等方面各具优势。行业内虽然尚未形成垄断型企业，但经过多年市场竞争与优化，各细分领域已有领跑的头部企业出现，行业梯队之间的差距逐渐显现。自2017年以来，专注于不同病种与技术方向的Al医疗影像初创公司持续受到资本热捧，部分头部企业已完成C轮融资，并围绕核心产品进行技术与经验迁移、病种与产品管线拓展、全球化布局等，进一步强化竞争壁垒。当然，在技术、政策和资本的支持成为AI医疗影像发展的动能的同时，AI医疗影像发展也受技术、政策和资本的限制。首先，医疗事关生命，AI医疗影像的假阴性显然十分重要，即使存在1%的漏诊也将有可能造成巨大伤害。此外，就算只存在1%的漏诊，医生仍需要将所有片子都重审一遍。因此，只有零假阴性，才能真正帮助医生省时省力。其次，从政策支持来说，由于AI影像诊断对医院来说还并不是刚需，这也令医院的付费意愿并不强烈。如果没有政策对患者付费习惯的培养，以及政府医保政策的完善，AI影像诊断在落地应用上或许还将面对漫长的发展。此外，尽管部分企业已率先实现商业化，但行业集中商业化爆发阶段尚未到来。当然，不可否认的是，作为主导新一代产业变革的核心力量，人工智能在医疗方面展示出了新的应用方式，在深度融合中又催生出新业态。作为新一代基础设施建设，人工智能在医疗行业的应用将对传统医疗机构运作方式带来变革，从长远有效缓解医疗资源压力。后疫情时代，AI+医疗有望迎来大发展，而临床放射诊断实践无疑是其中一项重要应用。

【猎云网北京】3月28日报道在今年的两会中，李克强总理第三次将人工智能列入政府工作报告，并将其作为重点关注对象向社会各界表明政府在接下来一年中对于人工智能技术的关切与重视。政策面的利好促进了人工智能企业在中国的蓬勃发展。医疗人工智能领域一直是中国人工智能发展战略中重要版块之一。 在当前医疗人工智能领域，随着学术上和商业化的成果不断涌现，泡沫和乱象也夹杂其中。 在各大人工智能公司百家争鸣，抢滩登陆，风云缭绕之时，如何正确地了解现状、明确需求、引导发展，是整个行业都关切的关键所在。《中国医学影像AI白皮书》应运而生。2019年3月26日，由中国医学影像AI产学研用创新联盟（CAIERA）主办的《中国医学影像AI白皮书》（以下简称“白皮书”）发布仪式，在北京隆重举行。为确保研究报告的权威性和专业性，中国医学影像AI产学研用创新联盟（CAIERA）协同国内三甲医院的影像专家，人工智能领域科研专家和技术领先的医疗AI公司共同起草这份专业的白皮书。白皮书主要包括人工智能在医疗领域的概述、医学影像AI算法的最新进展、医学影像AI算法对数据的要求、医学影像AI的需求调研、医学影像AI临床现状与展望、产业化现状以及政策、挑战与建议等诸多方面，构建了目前中国医学影像AI行业现状，为帮助产业相关人士提供专业的参考与建议。值得骄傲的是，深睿医疗作为中国医学影像AI产学研用创新联盟副理事单位，以其目前在医疗AI领域强大的科研实力，有幸受邀参与了本次白皮书编著。负责撰写部分章节内容，与行业大家一起为中国医疗人工智能领域的发展贡献绵薄之力。中国医学影像AI产学研用创新联盟理事长、“白皮书”主编、中华医学会放射学分会候任主任委员刘士远教授中国医学影像AI产学研用创新联盟理事长、“白皮书”主编、中华医学会放射学分会候任主任委员刘士远教授在发布会现场致辞中指出，“联盟的工作是促进行业的发展，《中国医学影像AI白皮书》六个方面的工作和内容，凝聚了产学研用各个环节相关人员的心血和结晶，也代表了目前国内AI领域的最权威的声音。”中国医学影像AI产学研用创新联盟副理事长、“白皮书”的副主编、上海交通大学钱大宏教授中国医学影像AI产学研用创新联盟副理事长“白皮书”的副主编、上海交通大学钱大宏教授为与会代表介绍了“白皮书”的编撰之路。这本凝聚了所有人心血的研究报告涵盖了六个方面的内容，在医疗人工智能的需求现状、技术和落地概论，医学影像AI应用实例等诸多方面，白皮书都进行了非常详尽的阐述。随后，在刘士远教授的带领下，其他3位白皮书的副主编钱大宏教授、沈定刚教授、张惠茅教授在台上就白皮书的编撰历程以及中国医学人工智能发展前景等问题回答了现场记者的提问。中国医学影像AI产学研用创新联盟秘书长、白皮书的编写秘书长萧毅教授也出席了本次发布会。深睿医疗高级副总裁李朝阳深睿医疗高级副总裁李朝阳也出席了本次发布会现场，他表示 ，“人工智能在医疗领域的应用是大势所趋，中国的政策环境无疑给人工智能带来了很好的机遇。深睿医疗非常荣幸能够参加“白皮书”的编撰工作。自有人工智能技术的发展是中国成为科技强国的重要战略基础。 深睿医疗的算法核心团队深睿研究院拥有强大的科研实力，在深睿医疗联合创始人/首席科学家、IEEE Fellow 俞益洲教授带领下，攻克技术难题，在解决大数据标注和医疗数据的隐私性方面提出了有效的解决方案，并被白皮书收录作为创新的技术推荐。“李朝阳强调，“作为中国医学人工智能领域的先锋企业，深睿医疗在各个层面助力医生提高诊断效率和精度、为构建智慧医疗，实现真正的”智能+“而努力 。深睿医生，让看病不再困难。”深睿医疗全线产品齐发力，助力“智慧+”在刚刚结束了的China Med上，深睿医疗又发布了三款新产品，Dr. Wise 儿童生长发育AI评估系统2.0、Dr. Wise 脑卒中AI医学辅助诊断系统3.0以及Dr. Wise 胸部平片AI医学辅助诊断系统。新产品可广泛应用于脑卒中辅助诊断、儿童生长发育评估、胸部疾病筛查等各个方面，通过深度学习技术和深睿研究院的核心算法为临床进一步检查提供各种可能，助力医生提高诊断精度和效率。