影像医学与应用研究

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

11月28日，第一届“北京医学影像诊断及新技术应用高峰论坛——精准医学影像先行”在京隆重举办。本次论坛主题聚焦于：肿瘤影像诊断及医学影像新技术应用。旨在通过学术交流、技术探讨、高峰论坛等多种形式，统一影像诊断共识、推广影像新技术与理念，促进多学科交叉与融合，为民众提供更早的诊断和更及时的治疗。原中华医学会核医学分会主任委员、全军核医学会主任委员、中国医师协会核医学医师分会会长、中国人民解放军总医院核医学科主任田嘉禾教授表示，“医学影像技术在现代医疗行业中的应用不断扩大、地位不断提高，成为现在临床医学检测中不可或缺的重要组成部分。目前，医学影像数据采集越来越标准化与规范化，支持典型疾病领域的医学影像新技术研发，加快医疗影像精准诊断系统的产品化及临床辅助应用。”论坛中，中国非公立医疗机构协会常务副会长兼秘书长郝德明先生表示，“医学影像在我们日常生活中越来越重要，已经从临床辅助手段发展成为诊断疾病的主要方法和重要诊疗手段。”据全景医学影像联合创始人、集团总裁居培明先生介绍，未来，医学影像的发展趋势是在大数据的基础上，开展具有临床意义的人工智能新技术研究，为临床诊断提供精准数据案例，助推精准诊疗和影像新技术服务于民众。首届北京医学影像诊断及新技术应用高峰论坛旨在发挥纽带桥梁作用，加强医学影像专家与临床专家的互动交流，实现医学影像和新技术的融合，推动行业创新合作，使精准诊断及医学影像新技术真正落地，并实现临床运用，最终为提高医疗质量、降低医疗成本、造福更多民众，做出更多的突破和贡献。本次论坛由全景医学影像主办、北京全景德康医学影像诊断中心承办、西门子医疗系统有限公司协办。

医学影像学专业越来越多的新兴专业变为热门主流申请方向例如医学影像学专业定义：医学影像学在医学诊断领域是一门新兴的学科，不仅在临床的应用上非常广泛，对疾病的诊断提供了很大的科学和直观的依据，可以更好的配合临床的症状、化验等方面，为最终准确诊断病情起到不可替代的作用；同时治疗方面也有很好的应用。培养方向：本专业培养具有基础医学、临床医学和现代医学影像学的基本理论知识及能力，能在医疗卫生单位从事医学影像诊断、介入放射学和医学成像技术等方面的医学高级专门人才。曼彻斯特大学MSc Medical Imaging Science 伦敦国王大学Medical Ultrasound MScClinical Pharmacology MSc 临床药理学格拉斯哥大学CLINICAL PHARMACOLOGY MSc 临床药学硕士谢菲尔德大学MSc Biological Imaging生物成像研究硕士MSc Clinical Research 临床研究硕士

“人工智能+医学影像”，是将目前最先进的人工智能技术应用于医学影像诊断中，帮助医生诊断患者病情的人工智能具体应用场景。借着疫情因素的影响与推动，目前这种应用在医疗领域已经非常广泛。人工智能+医学影像率先落地应用，为什么？人工智能+医学影像得以在众多医疗产业服务中率先爆发与落地应用，主要有两个原因：一是影像的获取较为方便。随着科技的不断进步，医学影像采集愈加便利和精准，相比动辄数年的传统数据积累方式，照一张医学影像仅需要几秒的时间，就可以反映出病人身体的大致状况，成为医生诊断患者病情的直接依据。二是对影像的处理的技术相对成熟。随着行业影像数据的不断积累以及大数据、算法分析能力的不断提高，智能图像识别算法能够迅速将当前影像与数据库中影像对比分析，给出相当精准的结论。尚医云·AI小济医生界面截屏具体而言，医学影像的诊断的两大核心技术在于图像识别和深度学习。这两项技术，目前都是处于可应用、较为成熟的阶段了。其工作流程大体是这样的：首先将非结构化影像数据进行识别、分析与处理，提取相关信息；其次，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、总结与迭代的算法模型，进行影像诊断智能推理，输出个性化的诊疗判断结果。那么人工智能+医学影像具体都应用在哪些方面呢？（网络图片如有侵权立即删除，敬请通知人工智能+医学影像的3个应用场景目前，人工智能+医学影像主要是用来解决以下三种影像诊断需求：01 病灶识别与标注。对X线、CT、MRI等影像进行图像分割、特征提取、定量分析和对比分析，对数据进行识别与标注。同时，AI对影像的分析、计算能力要比医生强很多，因此可以帮助医生发现肉眼难以识别的病灶，降低假阴性诊断发生率，同时提高读片效率，对一些经验相对不足的医生也能起到辅助诊断的作用；02 靶区自动勾画与自适应放疗。主要针对肿瘤放疗环节进行自动勾画等影像处理，在患者放疗过程中不断识别病灶位置变化，以实现自适应放疗，减少对健康组织的辐射；03 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。（网络图片如有侵权立即删除，敬请通知除此应用之外，人工智能+医学影像的组合，还有3大核心价值，能够解决目前较为棘手的几大问题。人工智能+医学影像的4大核心价值由于自带极强的影像识别和计算能力、持续进化的自我学习能力以及稳定的性能优势，在临床上，可以给医院、医生提供很重要的支撑，具体体现在3个方面：01 承担分类检出工作。人工智能+医学影像能够以稳定的高敏感性对较大数据样本量进行阳性病例筛查与分类检出，例如尚医云推出的小济医生，就是在年度的乳腺癌筛查中，有效辨别乳腺结节，增生，和肿瘤，如在体检中的肺结节筛查环节，通过B超探头收集乳腺影像资料，对采集的数据进行基础判断，并对阴影部分进行标识与处理，如果发现疑似案例再交由放射科医师进一步诊断，这样省去大量健康的阴性病例对医疗资源的占用和浪费；02 替代医生工作。在判断标准相对明确，知识构成相对简单的情况下，人工智能乳腺癌筛查可代替超声医生大部分工作，剔除绝大部分的健康人群，医生仅对有问题的病例进行重点关注； 03 提供具有附加值的工作。包括辅助疾病诊断、基因分析、预后判断、定量放射学诊断等。例如在对肿瘤的诊断中，对肿瘤边界进行分割重建，精准测量病变位置与体积，进行疾病综合诊断等。04缓解看病难的问题。对于三甲医院来说，影像数据充足且质量较好，人工智能+医学影像的引入可以从根本上改变传统高度依赖劳动力的读片模式，在一定程度上缓解医学影像诊断的压力，同时亦可满足三甲医院的科研需求。 对于基层医院来说，相比于三甲医院，其医疗水平相对落后，人员综合素质上相对会差一些，其对复杂影像的处理能力、判断能力更为薄弱，因此误诊漏诊率更高。而基层医疗机构，又承担着大量的两癌筛查的工作任务，人工智能通过把影像诊断结果进行前期的分析和处理，可以极大的提高筛查数量，降低误诊漏诊率，进而提高综合医疗水平。大医院的接诊压力减轻，小医院的医疗水平提升，整体看病效率提高，看病难的问题，就能得到有效缓解。从临床需求来看，我国医疗影像数据以每年30%的速度增长，而影像医生的年增速仅为 4%~6%，其中的原因有很多，比如专业医师缺口大、工作繁琐重复比较累、放射工作对身体健康的影响、服务管理模式固化等等。 想要解决人才问题，人工智能+医学影像的应用模式是现阶段的最佳解决方案。助医者 济苍生We serve those who heal the world

三度潮起潮落，人工智能技术终于迎来了它的黄金时代。几经沉浮，它不再是远离大众生活的高深理论，也不仅仅是人们茶余饭后作为谈资的人机大战，而是融入到各种产品中为消费者带来了切切实实的便利，为企业创造了真实可见的价值。在这一背景下，雷锋网重磅推出了「AI 最佳掘金案例年度评选」，从商业维度出发，寻找人工智能在汽车、金融、医疗、教育、安防、零售等10个行业的最佳前沿应用。日前，第二届「AI 最佳掘金案例年度评选」结果正式出炉。经过49天的筛选与评审，最终58家企业从276个参选者中脱颖而出。其中，在众多资本看好的医疗领域，依图医疗、图玛深维、Airdoc、翼展医疗集团、深睿医疗分别获得了“最佳医学影像辅助诊断奖”、“最佳深度学习医疗方案奖”、“最佳眼底影像智能诊断奖”、“最佳大型器械创新奖”和“最佳医疗科研平台奖”。“最佳医学影像辅助诊断奖” 依图医疗：打通临床闭环过去一年里，医学影像AI行业取得了长足发展，而依图医疗正是行业发展的最佳缩影。概括来说，医学影像AI已经从只能完成单点任务（例如优化结节检出）进阶到了能完成以疾病（例如肺癌）或者部位（例如全肺CT影像诊断）为中心的诊疗流程。以肺癌为例，两三年前，医学影像AI公司扎堆进入肺结节检出领域。肺结节是肺部非常典型的病灶之一，但肺结节检出只是一个单任务，在临床上无法形成闭环。而依图医疗在今年RSNA上率先发布了care.ai胸部CT智能4D影像系统以及癌症筛查智能诊疗平台。其中，胸部CT智能4D影像系统是全球首个突破肺结节检测，实现斑片、条索、囊状影、胸腔积液等多种病灶的实时影像AI系统，将极大减轻放射医师工作负担。癌症筛查智能平台则依托于依图医疗以疾病为核心的海量多模态医疗数据，以及先进的AI影像、NLP技术，构造了一个集病灶检出，性状描述，恶性评估，临床决策，患者管理，疗效预测，随访评估和科研辅助等于一体的科教研管一站式平台，贯穿整个临床诊疗流程，涵盖了目前中国高危高发的几类癌种，比如肺癌、乳腺癌、宫颈癌、结直肠癌、胃癌等。凭借care.ai胸部CT智能4D影像系统和癌症筛查智能诊疗平台，依图医疗无论在产品形态还是临床应用场景的进化上，都已经迈出了重要的一步，对整个行业也起到了重要的引领和启发作用。依图医疗：非常荣幸获得雷锋网“AI最佳掘金案例年度榜单”中的“最佳医学影像辅助诊断奖”。依图医疗坚信，AI的未来在医疗，世界级的医疗难题将诞生世界级的解决方案。作为AI医疗的引航者，依图医疗始终坚持帮助人类更准确、更全面、更深刻地认识、理解，甚至超越疾病。“最佳深度学习医疗方案奖” 图玛深维：性能、架构再度升级图像识别是深度学习等人工智能技术最先突破的领域，已经广泛用于图片搜索、自动驾驶、人脸识别。而在医疗健康领域，医学影像是深度学习与医疗结合中，发展最为迅猛的细分场景。作为致力于将深度学习人工智能技术引入到智能医学诊断的系统开发商，图玛深维采用英伟达的DGX Station以及CUDA并行加速来进行神经网络模型的训练，并在此基础上于2017年8月推出了自己的首款产品——σ-Discover/Lung Nole肺结节智能诊断系统。这套系统的亮点在于除了结合深度学习人工智能算法之外，还引入了图玛深维自主研发的三维分割技术。目前，这款产品已经覆盖超过200家医院。同时，经过一年多时间的积累和沉淀，今年11月，图玛深维又发布了四款全新的人工智能诊断系统——胸部X线智能诊断系统（σ-Discover/Lung DR）、乳腺钼靶智能诊断系统（σ-Discover/Mammo）、脑卒中CT智能诊断系统（σ-Discover/Stroke CT），以及肝脏CT智能诊断系统（σ-Discover/Liver CT）。相比σ-Discover Lung智能肺结节分析系统，这四款产品无论在架构还是性能上，都取得了长足的进步。以胸部X线智能诊断系统为例，这款产品可以基于胸腔DR图像，完成15种胸部疾病的自动检测及定位，系统敏感度超过90%，并具备良恶性风险评估功能，能够帮助医生大幅提高工作效率。这些新品采用的深度学习技术包括基于三维卷积的深度对抗生成网络和通用模型训练等，通过从多种数据中提取可共享的信息，将同一个网络模型同时使用在多个应用中，大大地提高了模型训练和运算的效率，有效地解决了医疗数据类别之间的不平衡和数据标注不完整的困境，以前沿技术奠定先发优势。图玛深维：感谢雷锋网给予图玛深维的肯定，“让深度学习进入智能医疗”是图玛深维不变的追求。未来，我们将继续创造卓越、可靠的人工智能医疗产品，助力医疗发生革命性飞跃。“最佳眼底影像智能分析奖” Airdoc：守住健康的“窗口”眼底血管和神经是人体唯一可直接观察到的血管和神经，一些慢性病如高血压、肾病、糖尿病、血液病、中枢神经系统疾病等均可引起眼底的病变，故眼底素有人体“健康窗口”之称。眼底的异常改变对于慢病的早期发现和病情监测起着重要的作用，从这个角度看，眼底检查可称得上是慢病防治的“监测窗口”。眼底病病因复杂、致盲率高。统计数字显示，目前我国各类眼底疾病患者人数在5000万以上，眼底病占眼病总数的68%，成为失明的罪魁祸首。以糖尿病眼底病变为例，目前我国糖尿病患病人数在4000万人以上，而糖尿病眼底病变患者则超过1000万，8%～12%的失明由糖尿病眼底病变引起。然而，由于我国眼科医生资源稀缺、分布不均衡，加上由于对眼底病缺乏了解、重视不足，使得一些患者错过了最佳治疗时间，造成不可挽回的视力损失。强烈的市场需求和人工智能技术的发展，催生了一批致力于眼底影像智能辅助分析的企业，Airdoc正是其中的佼佼者。目前，通过反复迭代和打磨，Airdoc的慢性病识别算法已经可以通过简单的视网膜拍照，快速、准确识别包括高血压、糖尿病、动脉硬化及眼底疾病在内的30多种常见慢性疾病及其并发症病变风险。商业模式方面，Airdoc不仅致力于帮助院内医生快速阅片，提升诊断效率；还将目光投向了更大的院外慢性病筛查市场。Airdoc副总裁张京雷介绍，随着全国范围内大规模社区慢病筛查的逐步开展，预计将来每年筛查量会超过1,000万人次，这个规模在全世界都是最大的。以年筛查1,000万人次（目标人群主要为中老年人）为例，预计可以发现数十万甚至百万的眼底疾病和早期慢病患者，有效导流给有诊疗能力的医院后，预计有十万以上的家庭因此收益，同时因为这些严重的慢性疾病在早期得到有效治疗，将为医疗体系节省后续治疗费用达到数十亿元以上。除了筛查以外，Airdoc的慢病识别算法还可以有效介入糖尿病或高血压等严重慢性疾病的患者日常病程管理，以更直观、可靠及数字化的方式为临床医生提供病程发展的指引。Airdoc：Airdoc成立4年来与数百位顶级医生展开了深度合作，借助AI帮助基层。如今成为我们在世界范围内展开了大人群的筛查，感谢雷锋网对Airdoc的肯定，将我们选为最佳掘金案例，未来我们会像空气一样伴随用户，为每个人提供最优质的服务。“最佳大型器械创新奖” 翼展医疗集团：生态土壤上开出娇艳的花做过影像软件，搭建了远程诊断平台，成立了医生集团，落地了线下第三方影像中心，随着人工智能时代到来，又积极探索智能影像诊断。进入医疗领域的九个年头里，翼展医疗集团始终紧跟时代潮流，构筑起了一个庞大的医疗产品生态。不久前的CCR大会上，翼展医疗集团再落一子，重磅发布了人工智能产品W－insight。这款产品可基于DR的胸部图像自动生成对应胸肺17种病种的分类与影像学表现报告，实现了阅片、诊断、出具报告的全流程诊断，可广泛的运用于患者体检相关项目。这款产品具有两大优势：1.极大的基层使用广泛性和普及型。DR是基层医疗机构普遍大规模使用的医学影像工具，W－insight通过业界领先的机器学习技术，可以实现DR图像自动生成诊断报告，从而广泛应用于筛查和体检。2.提高医生工作效率，降本增速。DR图像自动生成报告，能够让医生减少输入的时间，同时，可以参考机器出报告的情况，根据医生判断进行修改。经过测算，W－insight可以大幅度提高医生的诊断输入时间。此外，这款产品还可以和翼展医疗集团的翼展云影医学影像诊断平台发挥生态协同作用。借助云平台上大量的医院用户群，W－insight可以迅速覆盖2000多家医院，这是其他AI企业难以望其项背的。过去九年里，翼展医疗集团不断探索，突破创新的边界。未来的它，更加值得期待。翼展科技：谢谢雷锋网的肯定，翼展将继续用自己的创新、能力、格局不断推动行业的发展，保持让人人享有高水平的医学影像诊断的初心不变。“最佳医疗科研平台奖” 深睿医疗：跨越学科壁垒，连通创新潜能商业世界里讲求先发优势，但也不乏后来居上的传奇，深睿医疗便是一个很好的例子。成立于2017年初的深睿医疗在医学影像AI这条赛道上颇有些姗姗来迟的意味。但很快它便以黑马的姿态杀到了行业一线，成长速度之快令行业内外刮目相看。不久前，成立一年多的深睿医疗一口气发布了四大品类七款AI产品，分别是Dr.Wise癌症早期筛查AI系统，包含最新一代肺结节AI辅助筛查和诊断系统、乳腺钼靶辅助筛查系统两款产品；Dr.Wise脑卒中AI检测分析系统，包含出血性脑卒中AI检测分析系统、缺血性脑卒中AI检测分析系统、深睿智能影像云Dr.Wise Cloud和Dr.Wise多模态科研平台。其中，Dr.Wise癌症早期筛查AI系统、乳腺钼靶辅助筛查系统以及Dr.Wise脑卒中AI检测分析系统在性能上均已位于行业领先。目前，产品进入到近三百家医疗机构，是商业化落地程度最高的企业。CEO乔昕将深睿医疗的成功归结于团队的优势互补：董事长雷鸣作为“百度七剑客”之一，对技术和商业均有着独到的见解；乔昕本人具有深厚的医学背景，先后在三甲医院和西门子医疗任职；CTO李一鸣曾先后就职于百度和高德信息技术有限公司，在大数据和机器学习方面有着深厚的造诣。而首席科学家、IEEE Fellow俞益洲教授的加盟，更是让深睿医疗的团队更上了一层楼。除了强大的内部团队，深睿医疗还特别注重于医生的跨学科合作。这正是它精心打造Dr.Wise多模态科研平台的重要原因之一。这款多模态科研平台可以基于影像、病理、基因的数据分析，提取大量高维的定性特征，对疾病的诊断定性，治疗方案及预后评估提供有价值的指导。其先进的计算机深度学习技术，有助于简化科研中的复杂流程，提高科研效率，帮助医生产生高价值的科研成果和文章。对于医学影像AI这样一个多学科交叉的领域来说，Dr.Wise多模态科研平台的诞生，无疑有着跨越性的意义。深睿医疗：感谢雷锋网，深睿医疗是一家非常珍视科研成果，注重临床转化的公司，这个奖对我们来说是很有价值的肯定。未来在医疗人工智能领域深睿医疗会继续深耕细作，不断精细打磨自己的产品。推动人工智能与医疗的深度融合，让AI成为医生的好助手，为构建一个全方位的医疗+AI生态圈，深睿医疗一直在路上。透过获奖的五家企业，我们可以看到医学影像AI领域正在发生两大变化：一方面，技术上各家企业不断突破创新边界；另一方面，各家的产品也愈发成熟和贴近临床，已经具备了临床应用的条件。从量变到质变，医学影像AI的拐点或许很快就将到来。作为一家行业领先的科技媒体，雷锋网希望借助这五家企业的表率力量，号召更多企业砥砺前行，加速智慧医疗时代的到来。

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

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)

通过深度学习、机器学习等人工智能技术，能够对医学影像进行无监督或者半监督的自动化分析，提升医学影像临床诊断效率，深入发掘影像数据中潜藏的医疗与科研价值。医疗行对医学影赛道像诊断的准确度与诊断效率要求在日益增长，传统医学影像科室无法满足国内日益增长的患者需求，由于硬件算业力和算法模型的飞速发展，医学影像中人工智能技术的应用成为必然趋势。人工智能技术对医学影像系统智能化升级体现在：医学影像软件系统诊断及分析功能的升级、医学影像成像设备的升级、助力医学科研工作等方面。自2016年以来，大量初创公司和行业巨头开始加速探索人工智能技术在医学影像领域的商业化应用，医学影像人工智能成为热门投资。作者 | 付海天、田辰一、全球及中国医学影像市场规模据Zion Market Research测算，全球影像诊断市场在2016-2021年年复合增长率（CAGR）约为6.0%，预计在2021年市场规模将达335亿美元。据Signify Research报告显示，全球人工智能医学影像市场有望将在2023年达到20亿美元规模。海通证券等多家机构预测，到2020年国内医学影像市场规模将达6000-8000亿元。据机器之心数据统计，2016年中国医学影像相关企业（包含医学影像业务的通用型人工智能公司）累计融资额约63亿人民币，之后呈现快速增长趋势，2018年融资额度创历史新高，高达约300亿人民币，企业产品创新研发投入持续加码，诊断产品覆盖病种达近百种。中国医学影像相关产品/解决方案服务商年度融资额二、人工智能技术对医学影像行业的影响医学影像数据感知及分析：医学影像的处理本质上就是计算机视觉技术在医疗行业的应用，涉及医学图像分割、图像配准、图像融合、图像压缩、图像重建等多个领域。人工智能的作用主要体现在对于经过一定计算机视觉技术处理后的图像数据进行进一步的智能化分析，辅助医生进行标注、诊断或者手术工作。医学影像数据与其他类型数据融合处理及分析：医学影像能够展现患者身体特定部位的结构特征和代谢情况，具有大量图像数据信息供计算机进行分析，如果将医学影像数据结合患者的生理体征、病史、基因信息、身份信息等非图像数据，通过人工智能算法模型进行训练和应用，则能够帮助计算机从更高维度来分析数据和提取重要特征，更加全面展现疾病背后的隐含关联因素，辅助医生对疾病状况进行更精准的分析诊断。影像数据挖掘加速医疗科研过程：医学影像数据挖掘指从存放在数据库或其他信息库中的大量影像数据中挖掘有价值信息的过程，其目的是寻找影像数据背后的关联和模式。计算机辅助诊断（CAD）系统的原始处理对象为医学影像信息数据库 , 对影像信息进行数据挖掘和知识发现, 能够发现其中的诊断规则和模式，加速医疗科研过程。三、人工智能技术在医学影像中的应用分布四、医学影像中人工智能技术落地案例简述腾讯觅影：腾讯觅影利用腾讯优图在大数据、图像识别与深度学习方面的技术，对早期肺癌的敏感度（识别正确率）达到 85% 以上，在良性肺结核的特异性（识别正确率）超过 84%，对于直径大于 3mm 小于 10mm 的微小结节检出率超过 95%。博为软件：博为肝脏三维手术规划系统解决了肝脏切除手术方案设计困难问题，通过对原始的CT数据进行后处理重建为三维立体图像，精准肝脏分割与分段，自动提取肿瘤病脏，直观地展示肝脏肿瘤、肝段、肝脏内部复杂的管道解剖结构，对病例进行量化分析，并自动生成临床脏器定量分析报告。Curexo：由美国 Curexo 公司制造的Robodoc主要用于膝关节和髋关节置换手术。RoboDoc 包括两部分：手术规划软件和手术助手，分别完成 3D 可视化的术前手术规划、模拟和高精度手术辅助操作。RoboDoc机器人采用了四轴直角坐标工业机器人本体，使用患者股骨上插入的钛金属定位针来实现机器人与患者骨骼的相对定位，精度达到了0.1mm。RoboDoc主要用于关节置换术中辅助骨骼和假体的成形、定位和植入，可提高全膝（髋）置换手术的质量。深思考：基于宫颈细胞学领域知识，通过深度学习、机器学习、医学图像处理等技术提取宫颈细胞的关键特征，自动分割团簇重叠细胞，快速识别涂片上病变细胞的分级类别，实现宫颈细胞涂片的辅助阅片。深思考人工智能辅助阅片机器人可在100秒内完成单张涂片的阅片，适配国内多种制片方法，其中鳞状上皮细胞异常敏感性约为98.4%，特异性约99.77%，腺细胞异常敏感性约为93.4%，特异性接近90%。五、医学影像领域人工智能技术发展所遇瓶颈1. 影像数据分散在各个机构：影像数据是训练影像智能诊断算法模型所需的核心资源，但大量的影像数据分散在各个医院、影像中心、研究机构，不易被高效整合利用。2. 影像训练数据集标注结果存在主观差异：不同医生对图像的理解存在主观差异性，造成标注结果的不确定性，导致影像训练数据集的标注结果受到主观因素的影响。3. 人工智能算法模型适用的影像类型有待拓展：目前人工智能影像诊断主要集中在X光、CT、病理领域，而在超声、MRI、PET、红外等影像领域应用较少。六、医学影像领域人工智能技术发展的未来趋势1. 医学影像技术进一步发展：医学影像系统中成像设备技术升级、影像设备图像处理算力增加、智能诊断软件集成病种增多、影像数据融合应用、迁移学习加速影像诊断模型训练。2. 人工智能在医学影像应用领域不断拓宽：除疾病的鉴别诊断外，还可应用于分子及细胞层面图像处理、应用于介入影像学、助力非外科手术方法诊断及治疗等。3. 医学影像产业升级：区域影像数据中心建设促进区域级别影像数据流转及应用，医学影像专家团队开发模型评估体系与统一标准作为产业界产品标准等。* 本文为「智周」系列报告「核心版」，相应「深度版」的推出计划将在后续公布，敬请大家关注。针对「医学影像中人工智能应用现状及展望」这一主题，有哪些方向或主题，你希望在报告深度版中读到更详细的阐述与分析，欢迎留言，这将成为我们制作报告深度版的重要参考。

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