影像研究与医学应用论文

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

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

2018 全球人工智能与机器人峰会（CCF-GAIR）于6月29日在深圳召开。本次大会共吸引超过2500余位 AI 业界人士参会，其中包含来自全球的 140 位在人工智能领域享有盛誉的演讲与圆桌嘉宾。在大会第二天的 【计算机视觉专场】中，上午计算机视觉前沿与智能视频环节的演讲嘉宾有：ICCV 2011和CVPR 2022大会主席权龙教授、旷视科技首席科学家孙剑等人。下午环节为计算机视觉与医学影像分析，出席的嘉宾分别是包揽7大模式识别与医学影像Fellow的田捷教授，国际顶级医学影像分析大会MICCAI 2019 联合主席沈定刚教授，微软亚洲研究院副院长张益肇博士，飞利浦中国首席技术官王熙博士等。作为计算机视觉与医学影像分析环节的重量级嘉宾，本次大会，田捷教授向与会观众分享了题为“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”的精彩专题报告。田捷教授现任中国科学院自动化所研究员、分子影像重点实验室主任。自2010年起，田捷教授连续获得计算机视觉与医学影像分析领域的7大Fellow：IEEE Fellow、IAMBE Fellow、SPIE Fellow、AIMBE Fellow、IAPR Fellow、OSA Fellow、ISMRM Fellow。同时也是两项国家重点基础研究发展计划（973计划）首席科学家。田捷教授认为，人工智能等技术给医学领域带来的改变是毋庸置疑的，并列举了几个医学常见案例进行辅证。在他看来，医疗大数据里最常见的是影像数据，而且影像数据格式标准，容易获取、容易使用。但是医疗大数据不仅限于影像，还包括病理、临床治疗信息等，只有这些信息融合在一起，我们才能建模，才能解决人工智能真正在医学上的应用。田捷教授在研究学术的同时，也在积极探索AI技术的应用前景。他认为，AI技术只有跟临床挂钩才有价值，经过企业家的转化才能变成生产力。现在我们需要更多人工智能和大数据在医疗问题上的典型应用，来拉动产业，拉动人工智能进一步深度应用。这是相辅相成的，空喊方法，不形成规模化、典型应用，是解决不了问题的。只有得到外科、内科大夫承认的技术和临床应用，才能更加有意义。与此同时，他还表示，人工智能在医学上应用一定要“医工交叉”，工科的人要穿上医学的马甲，了解医学的问题，参加医学的会，了解医生的需求；作为医生也要对工科的方法知其然，这样才能源于临床，高于临床，又回归临床。以下为田捷教授的现场演讲内容，雷锋网作了不改变原意的编辑及整理： 我下面汇报的是人工智能和医疗大数据在医学上的应用，这是大家比较关注的热门话题，我想从“临床”和“商业”两个方面来做一下简要的归纳。人工智能在医学上的应用和传统中医非常相像。我国中医几千年以来，通过“望闻问切”的方式积累了几百万人甚至几千万人的医疗大数据，后期主要通过人脑来“加工”这些数据；现代社会与此前不同的是，我们使用电脑加人脑，利用此前积累的经验以及大数据与人工智能技术，实现了现在所说的智能医疗。人工智能目前是国家战略，健康中国2030也是国家战略。从这两个角度来说，通过人工智能技术和医疗大数据，提高人们的健康水平是国家下一步的重点发展战略；与此同时，国家也有计划要将我们的医疗和健康占GDP的比重从3%提升到30%。从商业角度出发，人工智能在医学上的应用机会很多，包括通过计算能力驱动肺癌、糖网、乳腺癌等疾病的筛查。今天，我想重点与大家分享的是人工智能对于临床医疗的重要性，它能提高我们的临床医疗水平，实现精准医疗，具体涉及到术前、术中、术后三个方面。从目前医学发展背景来看，人工智能、大数据等技术在医学上的应用是众势所趋。去年北美放射医学大会上给出描述：未来的影像中心就像飞机驾驶舱一样，是各种各样信息的综合体；而未来的医生则相当于飞行员，要处理各种各样的信息。这里还需重点阐述一个观点：如今很多声音表示，AI未来将要替代医生。在我看来，AI不会替代医生，只会更有效地辅助医生。而医生也不应惧怕新兴技术，而是积极地去利用它，使用它。当今，我们处于信息变革的时代，医学大数据也在不断的增长和积累，平均每73天，医学数据就会增长一倍。因此，基于医疗大数据的人工智能医疗必将辅助甚至改变传统的临床诊疗流程。国际影像战略策略研讨会副主席Donoso说了一句很经典的话，人工智能是否会完全替代影像科医生无法下定论，但我们肯定的是，那些使用人工智能技术的影像科医生，势必会代替那些不使用人工智能技术的医生。不跟随时代的发展，面临的就是残酷的淘汰，无论是北美放射年会，还是欧洲放射年会，都不断的在突出人工智能在影像学中的异军突起的作用。所以，未来的影像科医生，不仅仅要会看片子，还要从影像大数据中挖掘大量的潜在知识，学会利用人工智能技术，站在科技潮流的前端，不是惧怕新兴的人工智能技术，而是利用它，使用它，成为新时代下的影像信息学专家。上个月刚刚结束的美国临床肿瘤年会ASCO2018，该年会的参与者大多为内科大夫、肿瘤大夫，他们也提出，要将人工智能技术作为辅助新一代无创诊疗技术发展的重要工具。Dana-Farber癌症研究所首席研究员Geoffrey指出，无创的液体活检技术可以更加便捷的实现肺癌的早期检测和筛查，血液中游离DNA可以成功检测出早期肺癌。而随着这种无创检测手段的进步，医学数据不断积累，机器学习方法将有效提高检测精度、提高测试性能。此外，南加州大学生物科学学院院长在大会指出，在肿瘤疗效评估中，结合基于液体活检技术的基因蛋白组学和基于深度学习方法的智能影像评估可有效预测患者的预后生存。由此可见，无论是在癌症诊断还是治疗中，人工智能技术都是辅助新一代无创诊疗技术发展的重要工具。一、影像组学的本质那么，人工智能在医学领域到底如何应用，接下来我会举一些例子说明。举例之前，我们首先必须了解影像组学概念，其2012年就被提出，是由英文“组学+放射”组合出来的新词：“radiomics”，我们当年认为把它翻译成“放射组学”比较准确。当年为什么用了放射这样一个词汇？它是基于CT进行扫描的数据，然后在PET和超声上得到应用，所以我们认为将“radiomics”翻译成影像组学可能更为精准，它不仅仅融合了医学影像、基因、临床大数据，它也把组学的概念和组学的方法融合在一起。它的工作流程与医生日常读片完全是一模一样的方法，针对影像数据，提取特征，人工智能建模，然后再进行临床应用、辅助决策。这个流程也是一个标准的计算机视觉流程，也是标准的模式识别流程。但它相比医生的高能之处在于计算机看到了高维信息，可能看到了蛋白基因在宏观影像上的变化，这样的宝贵数据可以辅助医生提升临床诊断的正确性和准确性。需要注意的是，人工智能技术在医学上的研究、应用，不是写文章、不是谈概念、也不是纸上谈兵、更不仅仅是做筛查，而是要将技术与临床紧密结合，解决实际临床问题。二、典型临床应用下面我就从临床和技术两个方面谈一下人工智能在医学上的具体应用。首先我想谈谈人工智能在临床上的应用，在座各位很多都是技术人员，对于技术方法比较了解。其实我们在了解技术本身的同时，更需要了解技术到底能够解决什么问题，或者说目前医学需要解决什么问题。所以我先从问题为导向，观察临床上有何需求。在这里，我想举一个细分例子，围绕着临床应用的术前、术中、术后，来说明人工智能如何使得医学治疗更加精准。第一个例子是结直肠癌。外科大夫在为病患做手术之前都会为患者做一个辅助化疗，以控制癌症的发展，之后再为他进行手术。在这个过程中，一部分病患非常不幸，经过辅助化疗之后，他们病理上完全缓解，体内也没有癌细胞存在，但外科大夫无法凭借他的经验来肯定判断他们体内是否还有癌细胞潜藏，所以不得不还为这些病人开刀（实际上病患身上已经没有癌细胞存在）。从这来看，我们能否通过其他方式来准确判别病人的实际数据，让他们在外科大夫的经验无法准确判定、常规的影像磁共振无法精确判别时，能够非常肯定地判定病人的数据。通过人工智能分析，目前我们有90%的把握能把这些PCR缓解的病人挑选出来。换句话说，系统能够将经过辅助化疗以后，体内没有癌细胞的病人找出来。后期，这部分病人就可以免受开刀，只需密切观察随访即可。所以，它的临床意义非常大，人工智能未来不仅仅能够做筛查，更重要是，它能针对临床问题来开展工作。这是我们配合北京大学肿瘤医院放射科专家做的工作，这个结果已经发表在临床肿瘤研究的顶级杂志上。第二个例子还是结直肠癌。如果病患经过化疗之后并没有PCR缓解（占比70%左右），那么他们是需要进行手术的。开刀之后，医生需要对他们做淋巴清扫，以防止癌细胞转移。问题是：清扫完之后显示，70%的淋巴是假阳性。这里需要说明的是，假阳性结果与中国医生的开刀技术没有直接关系，美国大夫开刀假阳性也有70%左右。而这个问题也可以用人工智能技术解决。我们用人工智能技术处理500例临床病理、影像数据完整的结直肠癌患者数据，经过病理、影像，提取特征以后，在实测中，能把70%的淋巴假阳性降到30%，这是医学上非常巨大的进步。目前这项研究也发表在临床肿瘤的顶级杂志JCO上。需要指出的是，其第一作者只是一个硕士二年级的小女孩，所以我们在医学领域的研究并不需要多少临床经验，关键是先要找到临床问题，以问题为导向来解决它，并不是一味的低头专耕技术。第三个例子依旧是结直肠癌。刚才我已经讲了术前及术中，术前有没有病理学的缓解，术中要不要进行淋巴清扫。我们再来看术后，结直肠癌患者做了手术之后，外科大夫还可以给他做一个放化疗控制远端转移。这里又出现了一个问题，经过手术后的结直肠癌患者远端转移的概率只有20%，换句话说，有80%的患者花了钱，忍受了放化疗的痛苦，而去做在他身上也许不可能发生或者概率非常小的远端转移。就此，我们能否用人工智能技术把这些概率大的人挑选出来，再去做放化疗，控制他远端转移；而概率不大的人也就没必要做远端转移，后期观察即可。目前我们正在做相关的人工智能技术落地实验，希望这个概率可以提升更高，预测得更为精准。综上，我举了一个非常完整的例子，从术前、术中、术后来说明人工智能、影像组学、医疗大数据到底怎么改变我们的医学，改变我们的精准诊疗。刚才我所提到的都是手术方面的内容。那么，人工智能能否解决不用开刀也能解决的问题呢？也就是说，其能否既可以辅助外科大夫，也可以辅助内科大夫。我们知道，即使是美国著名医院的外科大夫得了肺癌，他也不知道该用什么样的靶向药，怎么预测他的生存期。而这个工作可以用人工智能、大数据来解决，我们针对500余例晚期EGFR突变靶向治疗患者多中心CT数据，利用LASSO-COX构建反映靶向治疗无进展生存期预测模型，实现对EGFR突变的晚期肺癌患者靶向治疗无进展生存期进行个性化的精准预测。如果后期发现他无进展，这时候我们就提醒他不要再用这个靶向药，价格昂贵不说，效果也不大。目前这项研究发表在CCR上，也是国内学者解决的重点医学工作。举例来说，系统可以对病患的鼻烟癌给出判断及生存期预测。针对临床指标对晚期鼻咽癌的放疗后预测精度低的现状，我们对118例晚期鼻咽癌T1和DCE MR图像做了超过3年时间的随访，并结合970个影像组学特征，和临床病理信息进行分析，在此有效预测该类患者的预后，准确度超临床指标的10%。再举一个例子，我国是肝癌大国，肝纤维化、肝硬化、肝癌是肝癌患者的病变三步曲。所以，对于肝癌患者的治疗，准确判断他们的肝纤维化非常重要。过去医生一般用超声诊断，但是超声的判断准确率只有百分之六七十左右。想要准确判断还需要做一个痛苦的工作：肝穿。用一根穿刺针穿到病患肝里面用病理学组织来确定到底有没有纤维化，从而决定用不用抗病毒的治疗方法。问题来了：能不能用人工智能技术来处理这些数据，不做肝穿也能达到跟它一样的病理学效果。针对这个问题，我们走访了12家医院，采取了600多份数据样本，用深度学习来提取它的特征，实测表明，在使用过程中，人工智能的预测结果与肝穿方法非常一致。换句话说，它能够代替以往的肝穿治疗方式，让病患不需忍受痛苦，用几张图片就能达到绝佳效果。三、影像组学新模态应用在后来的研究过程中，有相关医生提出，炎症会不会对结果产生影响。可以肯定地说，人工智能在对轻度炎症困扰上没有差别；对于重度炎症有一些差别，但是影响不大，准确率还是会远远高于人工判断。后来又有人提出，能否将该技术转化为一个软件，做商业化应用。后期验证过程中，我们发现无论是轻度肝硬化还是重度肝硬化，效果都比较鲁棒，适合医院临床应用。在这里我必须强调一点，人工智能在医学上的应用最好是以问题导向，有了问题再找方法，再去解决。我们可以源于临床，高于临床，这时候我们再商业化应用，医生们就不会抵触，他会主动来使用，因为可以很好地帮助他们辅助诊断。以上是从临床角度讲了人工智能在医学上的应用。接下来我再从技术角度来讲人工智能、模式识别、大数据在医学上应用的进展。四、影像组学的关键技术以肿瘤治疗为例来说。首先是肿瘤分割，一般可能需要医生先进行勾画，然后可以用机器学习的方法进行半自动或者全自动的分工，这些分割都可以提取相关的影像组学的特征，使得我们用人工智能的方法来建模分析。这一块的技术方法有很多，但是坦率说，哪种方法好，还得针对你遇到的问题。第二方面是特征描述，影像组学、人工智能并不是比人更加聪明，只不过医生读片时，人眼提取的信息永远是以形状为主的，以结构为主的。而从影像组学提取的特征，是强度、纹理、小波，最大值、标准方差、灰度矩阵这些特征，人眼是没法看的，同时人脑也难以加工。对于计算机来说，恰恰是它最为擅长的。所以在特征选择上，计算机选择的特征和人眼识别的特征形成了互补关系。如果我们能用计算机提取高维特征，包括毛刺、分叶等信息，再融合年龄、性别、家族史等信息，肯定是1+N>N，我们就能实现人机交互、计算机和人协同工作，从而使得我们的医学更为精准。选择特征的时候切记要多多益善，特别是把这些高维特征提取得越多越好。还有一个非常重要的点，为什么现在影像组学、人工智能热，就是这些高维特征含有基因蛋白这些微观信息，在这些宏观的影像上的体现，只不过过去人眼提取不了，但现在计算机提取了，把这些信息来进行系统加工，使得我们的预测更加精准提取特征之后，还有一项非常重要的工作是降维。共有四类主要特征降维方法：稀疏选择、空间映射、神经网络、递归排除。针对具体临床问题，业界还采用建立计算机定量影像特征与所研究临床研究问题标签之间的分类模型。主要运用了两类模型：SVM模型：从影像大数据原始像素出发，提取高维手工设计特征并进行特征选择，构建影像特征与临床问题的分类模型。CNN模型：在影像大数据的原始像素的基础上，该模型可自主挖掘与临床问题相关的影像组学特征，构建影像特征与临床问题的分类模型。至于建模部分，前面很多讲者也讲了很多模型，人工智能、深度学习有一系列的模型，无所谓哪种模型好，关键是针对你的问题，你是要做生存期预测，还是要做疗效评估，针对我们在医学上不同的使用的对象和问题，我们应该选择不同的方法。有了方法之后，我们构建的模型可以提高分类精度，甚至能达到主治医生的水平，大家已经看到了很多例子，我就不展开细说。但是这里面还有一个非常重要的环节，是我们做计算机、做工科最容易忽视的：我们往往把模型建出来，就直接把这些结果拿给医生去看，希望医生可以去使用。这时候，你一定会吃闭门羹，因为医生肯定会说这不是我需要的东西，你这些模型我看不懂，我根本没法用。所以后期非常重要的步骤就是：要让他们看图识字，要把这些数据可视化。你给医生们一大堆模型，他会觉得很难懂，换成图片之后，他就觉得非常好用，我们要从医生的角度看问题，把模型可视化。另外，计算机处理离不开数据，这些数据质量到底怎么样，我们也要从医生的观点来看待它。去年临床肿瘤学杂志上发表了一篇文章，是以荷兰大夫为主发表的，他在谈数据质量标准的评价，给出了16个评价标准，36分是满分，进行数据质量打分，而且他也会编程序，编一些简单的程序，把它放到网上，你直接填表打分，最后告诉你数据质量是怎么样的，我觉得目前也是对医学用人工智能判断，用影像组学第一个比较公开的数据标准，值得大家借鉴、参考。五、人工智能+医学影像的未来展望刚才我从技术方面谈了人工智能怎么针对医疗问题，用什么样的方法解决。涉及分割、特征提取、模型构建、模型可视化、质量控制5个环节。最后我想提一下人工智能在医学影像应用未来的发展方向，主要涉及到人工智能的方法、数据、软件、共享平台。我们现在不缺方法，也有很多数据，也有各种各样的软件，但是我缺乏交流共享的平台，我们这个会议也是一个交流共享的平台，我也建议我们相关企业在会后把相关的资源共享出来，这样可以更好地促进人工智能在医学领域的应用。我先从模型讲起，这几年人工智能的模型有很多，有卷积神经网络、迁移学习、博弈进化模型，数据也在不断地增多，智能程度也在不断地提高，所以我做了一个二维的方阵来说明这个问题。迁移学习经过大数据训练，我们可以在医学的小数据上提取到复杂的影像特征，而且这些特征还有很好的解释性。与此同时，我们所提取的高维特征又会带来一个挑战，临床医生表示看不懂且不知道有何意义。此时，我们无法对于医生的困惑做出解释，因为这是计算机分析出的结果，我们不能说它跟肝的哪个血管对应，跟肾的哪个细胞对应。但是我们也可以把这些特征，用强特征分布的热点图表达出来，它有一定的可视化，对这样的强特征的热点图，你去做穿刺或者靶向治疗的时候，穿刺效果就会非常好。与此同时，我们还可以用迁移学习的深度学习方法来提高肺癌基因突变预测的精度。迁移学习模型是经过128万张图片训练出来的，我们做肺癌的时候可能没有这么多图像，但是如果我们想要提高它的预测精度，我们用前面图像训练过的模型可能也会得到比较好的效果。另外，大家知道现在博弈进化模型比较热，它可以让机器学习提高智能程度，这在医学上的应用也非常重要。需要指出的是，我们用人工智能做组学分析，我们需要多病种、多模态、多中心、多参数的数据融合，在这一块，还有非常重要的点是数据标准，虽然我们国家这一块现在已经非常重视，做了一系列的筹备，但是目前为止还没有出来一个影像大数据的数据标准，或者数据规范化的行业标准，所以依然是一个挑战。目前，我们医院有大量的数据，大量的数据不代表就是大数据，我们需要经过数据清洗，影像的数据相对来说还比较规范一些，但是病理的信息、治疗的信息、预后的信息我们都需要有，才能使得人工智能做更准确的预测。所以在这里我也想说，前面我举的那些例子，淋巴清扫的工作，原来我们是想做生存期预测的，但生存期预测我们需要两年以上的病人随访，因此很多信息的提取还需要医疗从业人员去科普，需要让患者知道，我们做临床研究需要大量的信息才能做综合。幸运的是，我们国家人口多，病人多，所以数据也是我们的天然优势，这几年我们配合不同的医院采取的数据，包括儿童水果细胞瘤这样一种眼底的肿瘤，我们都能收集相关数据；肺癌、乳腺癌的数据量更大。这些数据不太牵涉到隐私，我们提取的都是高维信息，我们也不需要存原始图象，所以从某种意义上说这些数据的隐私性是比较好解决的。有了数据，我们还需要软件，我们可以开发各种各样的软件，特别是医学图象处理的软件，我们实验室有三个软件，第一个是MITK，是医学软件的集成平台，包含重建、分割可视化；还有一个是3D软件；另外我们还有一个影像组学的软件，全部是开源的，在我们的网站上可以下载。人工智能在医学上的应用一定要医工交叉，我们工科的人要穿上医学的马甲，了解医学的问题，参加医学的会，了解医生的需求，作为医生也要对工科的方法知其然，你也许不知其所以然，但是你要知其然，这样我们才能源于临床，高于临床，又回归临床，不只是看一个病，不只是一个软件。我就汇报到这里，敬请各位批评指正，谢谢大家。（完）观众提问：刚才您说了要从影像里面提取高维信息，并且说了要源于临床，最后还要回归临床，这些高维信息是由谁来提？是医生来提，还是我们工科的人来提？我还听说您那里面有的有400个高维信息，我看到有的文章好像更多，这些信息是怎么提出来的？田捷教授：这个问题提得非常好，也非常关键。如果用计算机去做，还是停留在结构特征上，我们能弥补一些医生的错误，但是不能辅助诊断。刚才举例子讲的这些高维信息，它到底有没有用，医生也不知道，我们也不知道，但是用计算机、深度学习把它提取之后，我们只能尝试，有些问题可能能很好地解决，有些问题现在还解决不了，我们只是提取这几百个甚至上千个特征，跟那些特征、病理信息融合在一起，我们再去筛选，把关键的信息提取出来，这是降维，最后再建模，然后取得一个好的结果。跟医生在交互的过程中，这些特征是人眼看不了的，医生也搞不清楚，我们拿这些特征去投稿的时候，大部分医生是看不懂的，我们投到医疗杂志上，他会问你这到底有什么效果，我们说不清楚，所以我们把那些东西变来变去，终于变成热力图的模式，最后说明这可能是肿瘤的中心地带，它能反映这样的问题，他能看懂了，知道这是有问题的，然后就接受了我们的论文。我们这些特征不仅仅说明它有用，还要想办法跟医生沟通，把这些特征变成可视化的，让医生能接受，说明它的临床意义。这也是一个痛苦的交互过程。观众提问：刚才我看到您的迁移学习的工作，把上百万张自然图像迁移到肝脏的医学图像上，但是我看到有文章说迁移学习必须要有医学的意义，如果您这样做的话，让自然图象迁移到医学图像上，它的临床意义在哪儿？医生会接受这样做吗？田捷教授：医生能不能接受，关键看临床效果，关键看你能不能针对临床解决问题。我没有去计算机视觉的会议，我现在反而是跑到美国临床肿瘤学会、美国肿瘤学会的会议上，你要到临床医生那里，让他们“折磨”你，找出他们能接受的临床效果和临床意义，这时候你的模型才真正起作用，我们老在计算机视觉会议上谈我的方法和参数好，我觉得意义不大，当然能写文章，只是把纸变成钱。所以我说我们技术人员要穿上医生的马甲，到医学的会议上交流。我是工科生，但近些年我没有发表一篇计算机方面的文章，都是医学的文章。这一点我非常自豪，我能在医学的杂志上发文章，就非常具有临床意义，因为审稿人都是医生，说明我已经穿上医生的马甲了。我认为，这是所有想在医学领域深耕的工科生都需要做出的转变，必须站在医生的角度去思考问题，让他们来当裁判，让他们来鉴别。雷锋网雷锋网

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！

大小新闻客户端12月6日讯（YMG全媒体记者 唐寿锐 通讯员 栾秀玲 潘晶）10月10日，烟台山医院东院区第二台CT投入临床使用。这台CT为飞利浦的Incisive 128层CT，它是飞利浦公司在2019年推出的同级别中最高端的智能化产品——一直在领先，始终求卓越。烟台市烟台山医院于二十世纪30年代，拥有了烟台境内第一台X光机。1952年，烟台山医院放射科正式成立。“目前，三个院区的影像科、核医学科（在建）实行大科室统一管理，医学影像科已发展成集医疗、教学、科研于一体，设备先进、人才梯队合理的现代化医学影像体系。” 烟台市烟台山医院CT.MR室主任兼影像科大科主任张国伟表示，该科室是省级临床重点专科建设单位、烟台市医疗卫生重点学科。从科室成立之初至今，烟台山医院医学影像科始终瞄准国际前沿最先进的器材，造福港城市民。“刚刚引进到东院区的飞利浦的Incisive 128层CT，与已在东院区投入临床使用的GE超高端Revolution 256排CT各有所长、优势互补，将有效减少患者的预约等候和检查时间。”张国伟说。烟台山医院医学影像科现有医师、技师、护理人员共120余人，其中医师60余人，技师40余人，护理20余人；高级职称20余人，住培指导医师40人；拥有博士和硕士学位人员40余人、硕士研究生导师2人。医学影像科的医师按专业组划分为：神经头颈组、呼吸循环组、消化组、泌尿生殖组、骨肌组、核医学组，激发了医师们自身学习的主动性，使得每位中级医师都有自己的发展方向和研究课题。科室现拥有高端CT设备5台，“2019年底投入使用的GE超高端Revolution 256排螺旋CT，系烟威地区首台。”张国伟说，此外还有高端磁共振设备5台，推想人工智能辅助诊断系统、一体化智能影像中心、并开设了影像科门诊。为了紧跟国际国内医学进展，近几年，烟台山医院医学影像科先后外派20余人次分别到国内外等地医院进修学习。利用“烟台中西医结合影像专业委员会主任委员单位”、“上海市肺科医院专科联盟成员”的平台优势，连续多年召开学术会议，开展继续教育项目培训，增强了与国内外学者的交流合作，形成了较高的品牌学术影响力。“除常规检查外，医学影像科还开展了诸多特色检查，主要包括：双肺低剂量CT扫描、肺结节高分辨CT技术、前列腺癌MR筛查技术、胎儿和胎盘MR检查、膝关节软骨MR延迟增强扫描技术、脑ASL扫描等。”张国伟表示，医学影像科承担着山东第一医科大学、滨州医学院等医学院校的影像专业实习教学任务以及各级医院进修医师培训、住培医师培训等工作。烟台山医院医学影像科致力于临床影像工作，每天都常规进行疑难病例会诊、教学工作，起到了很好的传帮带效果，培养了一大批年青骨干医师。在科研创新方面，他们根据医学实践，不断拓展新技术新项目在临床的应用。据了解，医学影像科共获批省市级科研项目10余项，获得烟台市科技进步二等奖和三等奖10余项，其中多项技术达到国际先进水平；发表论文100余篇，其中SCI收录论文10余篇、中华级论文20余篇，主编参编著作10余部，获得国家专利10余项，主持国家级和省级继续教育项目10项。未来几年，医学影像科将围绕着患者的需求、临床科室的发展，重点发展精准医疗影像技术。“尤其是双肺低剂量CT筛查、肺结节高分辨CT扫描、前列腺癌MR筛查、骨关节精准影像诊断、胎儿MR检查、职业病检查、冠脉血管CTA等独特技术，在现有的团队技术优势基础上，为临床医师和患者提供更高质量的精准化影像服务。” 张国伟说。责任编辑：高涵

国际医学图像计算和计算机辅助干预会议MICCAI2019 (International Conference on Medical Image Computing and Computer Assisted Intervention, MICCAI)录用结果公布，深睿研究院（Deepwise AI Lab）共有5篇论文被接收。MICCAI是由国际医学图像计算和计算机辅助干预协会(Medical Image Computing and Computer Assisted Intervention Society) 举办，跨医学影像计算(MIC)和计算机辅助介入 (CAI) 两个领域的综合性学术会议，是该领域的顶级会议，吸引了全球134所顶级科研高校的研究团队共同参与，被认为有着非常强的国际影响力和非常高的学术权威性。随着人工智能在各个领域的蓬勃发展，今年MICCAI论文投稿数量再创历史新高，相比去年增长了70%，遵循MICCAI对学术交流的深度和质量要求，今年仅收录了540篇，录取率仅31%，收录的论文代表了最前沿的图像计算和计算机辅助领域的前沿技术，是医学影像分析领域的前沿热点风向标，引领该领域的未来发展方向。深睿研究院自成立以来持续参与MICCAI投稿，今年深睿医疗投出10篇稿件，录用5篇，录取率高达50%，由此可见，深睿研究院是一支重量更重质的科研团队。本次深睿研究院被收录的五篇论文研究方向涵盖语义分割、目标检测以及多任务学习等，在人工智能医疗应用领域取得了创新性的突破。同时这些处于科技前沿的科研成果已被部分应用于深睿医疗的Dr.WiseAI辅助诊断产品中，在临床应用中取得了良好的效果。以下为五篇入选论文科研成果概述：Yuhang Liu, Shu Zhang, Ling Luo, Qianyi Zhang, Fandong Zhang, Xiuli Li, Yizhou Wang, Yizhou Yu. From Unilateral to Bilateral Learning: Detecting Mammogram Mass with Contrasted Bilateral Network. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI),2019.众所周知，基于乳腺X线影像的肿块检测对于乳腺癌早期诊断具有重要的临床意义。本文提出了基于深度学习的乳腺X线肿块检测算法，显式建模乳腺钼靶图像的双边信息。通过采用形变容忍模块适应双侧乳腺局部区域的非刚性变化，以及在逻辑双边模块中嵌入了医生阅片内在逻辑，显著的提升了算法效果，在乳腺X线影像公开数据集DDSM上，同等假阳性数量下，本方法的检出敏感性超过现有方法高达5个百分点，充分验证了算法的有效性。（网络框架图。模型以配准后的双侧乳腺图像作为输入，其中形变容忍模块Distortion Insensitive Comparison Mole通过ROI Align抵抗因配准带来的局部非刚性变化；逻辑双边模块Logic Guided Bilateral Mole嵌入了医生阅片的领域知识，提升了模型性能）Zihao Li, Shu Zhang, Junge Zhang, Kaiqi Huang, Yizhou Wang, Yizhou Yu. MVP-Net: Multi-view FPN with Position-aware Attention for Deep Universal Lesion Detection.International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI),2019.本文是深睿研究院和中科院自动化所基于CT图像的全器官病灶检测器的科研探索，这项技术在肺结节、脑卒中等在日常诊疗过程中开始发挥越来越重要的作用。而具有统一框架的通用病灶检测器虽然有着极其广泛的应用前景，但目前仍鲜有研究。本文基于NIH公布的迄今规模最大的CT图像数据集DeepLesion，构建了一个可以检出全身各种病灶的通用病灶检测器。结合医生在临床诊断中的专业经验，研究员们提出了一种多视角目标检测网络来融合多种窗宽窗位下的图像信息。该网络通过位置敏感的注意力模块来有效的融合来自不同窗宽窗位的信息。实验结果表明我们的模型将4个假阳性下的识别准确率从84.37%提高到91.30%。（MVP-Net的网络框架图。Part-A展示了建模多窗宽窗位信息融合的多视角FPN检测网络。 Part-B展示了我们提出的位置敏感模块。 Part-C中使用注意力模块对来自不同窗宽窗位的特征进行融合）癌中之王的胰腺癌，被称为21世纪肿瘤界最后一个堡垒。无论从诊断、治疗还是基础研究方面，虽然进展很多，但仍举步维艰。由于胰腺的大小和形状多变，和周围的组织对比度低，并且在整个腹腔内体积占比较小，所以基于腹部CT影像进行胰腺器官的自动分割是一个非常大的挑战，深睿研究院本次有两篇收录的论文针对这一挑战进行不同的创新尝试。Chaowei Fang, Guanbin Li, Chengwei Pan, Yiming Li, Yizhou Yu. Globally Guided Progressive Fusion Network for 3D Pancreas Segmentation. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2019.本文的主要贡献是，提出了一个创新的语义分割模型，解决了目前已有的方法不能兼顾全局特征和局部上下文信息的问题。本文提出了一个具有渐进式融合模块和全局引导分支的体素分割模型，可以更好更高效地利用3D特征从当前层CT图像提取的3D邻域学习3D局部特征并预测对应的2D分割结果，而全局引导分支则可以利用缩小的当前层CT的完整图像来补充全局特征。我们的方法在两个胰腺分割数据集上取得最佳结果。（我们的方法的整体框架）Huai Chen, Xiuying Wang, Yi-Jie Huang, Xiyi Wu, Yizhou Yu, Lisheng Wang. Harnessing 2D Networks and 3D Features for Automated Pancreas Segmentation from Volumetric CT Images. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2019.本文是深睿研究院和上海交通大学合作的科研成果，在这篇文章里研究团队构建了一个新的方法，为了充分利用三维信息，首次引入维度自适应模块桥接三维信息和经预训练的二维网络。通过在NIH胰腺分割数据集进行测试和验证，平均计算时间控制在0.4分钟左右，具备很强的临床实用性。（为了结合多源特征进行精确预测，维度自适应模块（DAMS）将预先训练的二维网络内部特征接入三维网络和融合决策模块。）Wei Zhang, Guanbin Li, Fuyu Wang, Longjiang E, Yizhou Yu, Liang Lin, Huiying Liang. Simultaneous Lung Field Detection and Segmentation for Pediatric ChestRadiographs. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2019.基于X光影像的肺部区域分割在临床诊断和治疗中具有重要意义，但是由于公开数据集的缺乏以及小儿X光影像与成人影像之间存在的巨大领域差异（例如尺度、大小、方向等）导致针对小儿肺部区域分割的研究相对滞后。本文是由广州市妇女儿童医疗中心梁会营教授牵头发起，深睿研究院和中山大学一起合作进行的研究，首次提出了一种针对小儿X光肺部区域同时进行检测与分割的多任务卷积神经网络SDSLung算法框架。实验结果表明文中所提出的算法可以显著提升小儿X光肺部区域分割的精度，同时对于成人的X光肺部数据依然可以取得当前最佳的性能。小儿肺部区域分割的算法对于后续的小儿肺部疾病分析、以及辅助手术治疗等至关重要。（我们的深度神经网络的整体框架）深睿研究院（Deepwise AI Lab）深睿研究院（Deepwise AI Lab）一直处于行业领先地位，是目前行业内规模最大的专注于人工智能医疗领域的研究机构之一，从成立以来一直致力于医疗前沿科技的探索，通过科技与临床的结合，产生了众多兼具临床价值和科技创新性的科研成果，陆续被国际顶级期刊和会议收录。截止到目前为止，深睿研究院在人工智能与机器学习顶级期刊及会议（如Science Robotics、TPAMI、TCyb、TIP、ICML、CVPR、ICCV、ECCV、AAAI等）上发表论文近三十篇，其中涵盖了计算机视觉和模式识别领域三大顶级国际会议，尤其是连续两年在备受瞩目的顶级会议CVPR（谷歌2019学术榜Top 10）上均有学术成果发表，在国内人工智能领域的科技公司中处于前列；同时，在医学影像计算与分析领域，如IPMI、MICCAI、ISBI、RSNA等顶级会议上，发表论文二十余篇。【广告】（免责声明：此文内容为本网站刊发或转载企业宣传资讯，仅代表作者个人观点，与本网无关。仅供读者参考，并请自行核实相关内容。本站作为信息内容发布平台，页面展示内容的目的在于传播更多信息，不代表本站立场；本站不提供金融投资服务，所提供的内容不构成投资建议。如本文内容影响到您的合法权益（含文章中内容、图片等），请及时联系本站，本站将会进行相应处理。投诉邮箱：xfrbwstjj@163.COM 广告宣传）来源：消费日报网

荧光影像技术在生物医学基础研究和临床诊断检测中具有广阔的应用前景。近红外II区荧光（1000-1700nm, NIR-II）成像技术克服了传统荧光 (400-900nm) 面临的强组织吸收、散射及自发荧光干扰，在活体成像中可实现更高的组织穿透深度和时间、空间分辨率，被视为最具潜力的下一代活体荧光影像技术。中国科学院苏州纳米技术与纳米仿生研究所研究员王强斌团队围绕“近红外II区活体影像技术”这一新兴领域，经过十余年努力，取得了系统性研究成果：在国际上率先提出Ag2S量子点体系，首次报道了其近红外II区荧光性质，并进一步拓展了Ag2Se、Ag2Te等量子点体系，建立了覆盖近红外II区全光谱量子点体系；开发了基于短波红外铟镓砷（InGaAs）焦平面阵列探测器的小动物活体成像系统、兼容可见荧光成像的宽光谱（400-1700nm）小动物活体成像系统和显微成像系统，为在分子水平、细胞层次和小动物活体模型开展跨层次、多尺度的近红外II区荧光影像研究奠定坚实基础；建立了近红外II区荧光活体“可视化”生物医学研究技术平台，在小动物活体水平实现了高组织穿透深度（>1.5 cm）、高时间分辨率（~30 ms）和高空间分辨率（~25 μm）的原位、实时成像，较传统荧光成像技术实现了数量级提升；建立了针对肿瘤诊疗、药物筛选、干细胞再生医学和脑科学的精准“可视化”研究策略。鉴于以上系列研究，该团队受Journal of the American Chemical Society杂志邀请撰写了以Advanced Fluorescence Imaging Technology in the Near-Infrared-II Window for Biomedical Applications为题的展望文章。该展望回顾了近红外II区荧光影像技术原理的提出及其发展历程；系统介绍了近十年以来不同类型近红外II区荧光探针的设计、开发及其优缺点；总结了近红外II区荧光小动物活体成像系统、双光子显微成像系统、激光共聚焦成像系统、光片成像系统及临床手术导航系统等的开发和应用；剖析了近红外II区荧光影像技术在生物体结构和功能成像、活体传感检测以及影像指导的疾病精准诊疗等生物医学研究中的应用及需要解决的瓶颈问题；展望了未来近红外II区荧光影像技术在探针设计，设备开发，以及肿瘤精准诊疗、干细胞再生医学、脑科学基础研究及临床应用中需要解决的关键问题，加快推进近红外II区荧光影像技术的临床应用。该展望近日发表在Journal of the American Chemical Society杂志上。苏州纳米所研究员李春炎、副研究员陈光村为文章共同第一作者，王强斌为文章通讯作者，该工作得到了国家自然科学基金重点项目、中科院基础前沿科学研究计划从0到1原始创新项目和科技部重点研发计划的支持。近红外II区荧光探针和成像设备发展历程来源：中国科学院苏州纳米技术与纳米仿生研究所

在科研创新能力上，深睿研究院(Deepwise AI Lab)一直处于行业领先地位，是目前行业内规模最大的专注于人工智能医疗领域的研究机构之一，从成立以来一直致力于医疗前沿科技的探索，通过科技与临床的结合，产生了众多兼具临床价值和科技创新性的科研成果，陆续被国际顶级期刊和会议收录。截止到目前为止，深睿研究院在人工智能与机器学习顶级期刊及会议(如TPAMI、TCyb、ICML、CVPR、ICCV、ECCV、AAAI等)上发表论文三十余篇，其中涵盖了计算机视觉和模式识别领域三大顶级国际会议，尤其是连续两年在备受瞩目的顶级会议CVPR(谷歌2019学术榜Top 10)上均有学术成果发表，在国内人工智能领域的科技公司中处于前列;同时，在医学影像计算与分析领域，如IPMI、MICCAI、ISBI、RSNA、ECR等顶级会议上，发表论文近二十篇。 近期，深睿研究院又有两篇科研成果被刊登在国际顶级学术期刊上，体现了深睿研究院的持续创新能力。其中与中国医学科学院肿瘤医院共同完成的“Long-term follow-up of persistent pulmonary pure ground-glass noles with deep learning”(https://doi.org/10.1007/s00330-019-06344-z)被国际顶级放射学杂志European Radiology收录并发表。European Radiology是欧洲放射学会的会刊，创刊于1991年，在行业具有广泛影响力和不可或缺的学术地位，是放射学领域专家学者们不可或缺的信息来源，代表了最前沿的放射学科学，在综合类影像期刊中居第2位。当前，肺癌已经成为中国发病率和致死率第一的癌症，而在国内通过人工智能技术辅助肺癌筛查已经得到了广泛的应用，但目前普遍停留在利用深度学习进行肺结节检测研究上。然而，对于肺结节的生长评估鲜有研究，尤其是对亚实性结节(纯磨玻璃结节和部分实性结节)的长期管理在临床上具有重要意义。其中管理长期存在的纯磨玻璃结节pGGN(Pure Ground Glass Nole)存在着更多的争议。为了解决这些争议，有必要研究长期存在的pGGN的生长进展，精确测量其生长速度，并识别出影响其进展的风险因素。这篇论文的研究工作正是利用深度学习技术对肺部pGGN进行自动分割，并基于随访数据开展上述研究，为临床上量化评估肺结节提供给更为精准的依据。本研究中，pGGN的自动检出和分割由来自深睿医疗的Dr. Wise AI肺结节辅助诊断系统实现，综合利用递归神经网络(Recurrent Neural Network, RNN)和卷积神经网络(Convolution Neural Network, CNN)，超过目前任何单一分割方法的效果。基于Dr. Wise AI肺结节辅助诊断系统对基线以及所有随访的胸部CT影像数据进行肺结节自动检出和分割，自动计算出pGGN的直径、密度、体积、质量、VDT(体积倍增时间)和MDT(质量倍增时间)，并通过以上量化指标探究肺pGGN的自然生长规律，准确测量pGGN的生长速度，并评估影响pGGN生长的危险因素，为临床上管理pGGN提供了重要的参考。本研究的结果表明，深度学习技术可辅助揭示pGGN的自然生长规律;其中长期存在的pGGN表现为惰性生长;有分叶征和较大基线直径、体积和质量的pGGN随访过程中更容易出现生长。图1. 分叶状征、初始平均直径、初始体积和初始质量是预测pGGN是否进展的关键指标同时，深睿研究院与北京理工大学合作完成的论文“A deep network for tissue microstructure estimation using modified LSTM units”(https://doi.org/10.1016/j.media.2019.04.006)被刊登在Medical Image Analysis(MIA)。MIA是国际医学图像计算和计算机辅助干预会议MICCAI的官方期刊，创刊于1996年，关注将计算机视觉、虚拟现实和机器人技术应用于医学影像领域的科研成果，其影响因子逐年上升，2018年达8.88，行业内知名专家学者关注度极高，被誉为高质量论文的衡量标尺。本论文基于改进的长短时记忆(Long-Short Term Memory，LSTM)单元提出了一种用于估计组织微观结构的通用深度网络MESC-Net，提升了弥散磁共振成像 (Diffusion Magnetic Resonance Imaging，dMRI)质量。dMRI为非侵入式评估组织的微观结构提供了一种独特的工具，但由于模型较为复杂，通常需要带有大量弥散梯度的扫描序列来提升图像质量，而这导致了扫描时间的延长。在使用较少的弥散梯度时，用复杂信号模型来精确描述组织的微观结构具有一定的挑战性。所以，如何基于较少的弥散梯度得到较好的dMRI图像质量是科研上持续探索的一个难题。本文提出的MESC-Net网络在弥散梯度减少的情况下可以提升图像质量，对于临床扫描上的价值则是可以缩短扫描时间，提升临床效率。另外，本研究提出的网络结构是一种通用的估计微观组织结构的网络，而不只是局限于某一种模型，为了验证该算法的通用性，实验还评估了基于三种信号模型NODDI(neurite orientation dispersion and density imaging)、 SMT(spherical mean technique)、 EAP(ensemble average propagator)估计得到的组织微观结构结果。实验结果表明MESC-Net可成功地应用于三种不同的模型，该方法可以作为组织微观结构估计的通用方法，拥有广泛的临床应用前景。图2. 基于NODDI模型用MESC-Net计算得到的vic/viso/OD的横截面示意图，AMICO/MLP/MEDN/MEDN+/m-MEDN+均为对比方法深睿医疗是一家注重前沿科技探索的公司，作为AI医疗领域的引领者，始终坚持将最先进的人工智能技术应用到医疗领域，以俞益洲教授(ACM 杰出科学家/IEEE Fellow)为核心的深睿研究院，一直致力于探索前沿的人工智能科技在医学领域的应用，通过Dr.Wise 多模态科研平台的助力，不断深化与医院、高校在临床问题上的科研合作，提升科研效率，产出高质量的科研论文，并促进成果转化，让前沿人工智能技术和研究更加贴近临床需求，让AI真正落地到实际临床场景，助力国家智慧医疗建设。进入2019年，深睿研究院有8篇论文入选人工智能顶级会议CVPR2019，实现了图像识别与医学影像分析等技术的创新性突破，跻身中国论文发布数量排名前列的科技公司之一。在今年10月召开的医学影像分析顶级国际会议MICCAI和11月召开的国际计算机视觉顶级会议ICCV上，深睿研究院又有10篇关于医疗人工智能领域的科研论文被收录。截止到目前为止，深睿研究院已发表50余篇顶级学术论文，累积影响因子超过80，论文接收率超过50%，彰显出深睿研究院强大的科研能力。来源：消费日报网

任丘市人民医院B超室主任刘振通致力于心血管及胎儿畸形方面的学习研究，16年来坚守在工作岗位上，他用实际行动诠释着敬业、精益、专注、创新的工匠精神。在整个科室，每天需检查的患者近500人，作为科室负责人，刘振通带领科室人员对每一位患者进行细致的检查，耐心与患者沟通，详细地询问病史，关注患者的心理变化，为临床提供精准的诊断支持。作为学科带头人，在工作中他带领科室开展心脏及血管超声检查技术、四维彩超检查技术、肾动脉超声检查技术等新技术，不放过一处疑问，不断加强自己的业务理论与实际操作的学习，遇到疑难病例共同研究、讨论，使该科整体疾病诊断水平大幅度提升。多年来，他默默耕耘，服务患者，用“工匠精神”铸就医者仁心。汶川“5.12”发生特大地震，刘振通对口支援平武医院卫生工作受到河北省卫生厅驻平武工作队表彰；2016年5月，被河北省医学会授予“优秀医学科技工作者”荣誉称号；2018年被河北省生殖健康协会聘为第一届先天性心脏病防治专业委员会委员。他编辑出版了《医学影像技术与诊断》，先后在《中国全科医学》、《河北医科大学》《中国保健营养》《当代医药论丛》《影像研究与医学应用》等刊物发表多篇论文。和刘振通主任接触得越多，越发感觉到他身上体现出来的工匠精神。这是一种精益求精、孜孜不倦的精神；是一种追寻极致、完美无瑕的精神；是一种脚踏实地、探索创新的精神；更是一种心系患者、不忘初心的精神。这种精神朴实无华但打动人心。记者：段明卿 王吻俊制作：任丘市融媒体中心