医学影像超声研究

超声在我们生活中的运用非常广泛，几乎行行业业都有涉及到超声波的使用，特别是医疗行业，针对患者的身体检查，影像检查等，超声就好像是一把钥匙，只有打开了这扇门才能看到里边的情况。这些年其实国内的医学影像一直在依靠着海外先进的设备才有了今天医疗水平的不断提高，据不完整的数据统计，国内有超过75%以上的大份额，超声设备都是被国外巨头垄断，国内针对超声技术研发力度不够，甚至于说明显落后于发达国家。而这也从侧面反映出来超声技术的研发门槛比较高，所以很多尖端科技厂商都没有轻易去尝试，好消息是近年来海信医疗团队针对超声设备有了新的研发成果，最新的海信超声设备带来了大突破，完全对标国际一流影像成像标准！超声技术在医疗行业的地位还是非常高的，甚至于可以说是业界最重要的设备之一，这次国内厂商做到了，也可以在一定程度上让国内的医疗机构摆脱了海外医疗设备的依赖，同时也让国产的技术更有竞争力，这也显示了我国的科学技术水平在不断提高。海信医疗前前后后在超声设备上投入了九年的时间，很漫长的研发阶段，相信很多科技厂商在这样的高投入下都不会轻易尝试吧！海信通过了自主研发器件，还有独立的核心算法，影像方面的人工智能AI加持，全面提升影像效果的高水准。相比海外医疗设备的高复杂度，今年最新的海信超声设备在整体的设计趋势下更有竞争力，海信医疗化繁为简了超声设备的操作流程，减少了部分功能按键的使用，简化了操作，同时也提升了超声设备的使用便捷性！不得不说国内还是有很多科技厂商敢于站出来吧！为了国家技术指标献身，同时进一步提升自己在行业的竞争力，作为一个以电视机标准发家的科技厂商来说，能有今天的研发成果实属不易，你觉得呢？

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

来源：同花顺金融研究中心同花顺（300033）金融研究中心1月14日讯，有投资者向祥生医疗提问， 公司近半年在无明显利空的情况下股价接近腰斩，请问公司是否存在未披露的消息。传言公司有意开发超声以外的产品以弥补产品单一的不足，是否属实。公司回答表示，二级市场的股价波动受多种因素影响，公司主营业务为超声医学影像设备的研发、制造和销售，公司目前生产经营情况稳定。从业务情况看，疫情造成超声短期需求延缓，但随着疫情常态化，市场需求回暖，公司总体业务趋于稳定。请关注公司依据《上海证券交易所科创板股票上市规则》等相关法律法规、规范性文件进行的信息披露文件。谢谢。

众所周知，人工智能AI是目前全球医疗保健领域发展的大趋势。特别是在医学影像领域，从最小可装进口袋的超声、各种医学影像分析软件，到可以实时测量手术失血量的视觉平台，黑科技的融入让产业创新成为最大亮点。特别是深耕的超声医学影像产业数十年的无锡祥生医疗科技股份有限公司，不仅在技术领域成为行业领头羊，更在产业层面不断精进。如今，祥生医疗即将登陆科创板，也为新一轮发展腾飞奠定了坚实基础。数据显示，临床诊断的70%都依赖于医学影像，其中AI功不可没。在未来，随着技术飞速发展、医学数据的持续扩增以及硬件设备的不断提升，AI和医疗的结合方式将越来越多样化。和国外在AI医学领域的超强发展水平相比，祥生医疗可以说是国内行业中将人工智能技术与超声医学影像技术结合的领先探索者和实践者。其中，该公司自主开发的 SonoAI 系统实现了超声乳腺四分类人工智能、动态多模态人工智能、颈动脉斑块稳定/易损性人工智能 3 项国际领先技术，并在 2018年 10月中国医师协会超声医师分会主办的全国超声医学多模态人工智能人机大赛中取得了优异成绩。近年来，祥生医疗已经先后取得“祥生 SonoAI 人工智能超声影像辅助诊断软件”、“乳腺疾病人工智能超声诊断软件”、“颈动脉人工智能超声诊断软件”等3项软件著作权登记证书，并全面启动了对SonoAI的FDA产品注册工作。在深度布局超声医学影像 AI 辅助诊断产品研发的同时，祥生医疗的技术布局前瞻性和技术创新卓越性也得到了政府职能部门的高度肯定。近年来，祥生医疗作为牵头单位先后承担了“十二五”国家科技支撑计划—“专用超声诊断探头部件及系统研发”课题、“十三五”国家重点研发计划—“乳腺三维超声容积成像系统及面阵探头的研制”项目的研发工作，三次承担了科技部“国家火炬计划项目”的科研工作，两次承担了“江苏省科技成果转化专项资金”项目，并承担了“江苏省自然科学基金青年基金项目”的科研任务，充分体现了祥生医疗在技术方面的研究开发能力。凭借着在市场竞争力与企业研发力两方面的竞争优势，企业也进一步打开了上市融资的新格局，于今年4月正式提出了IPO申请。仅用半年左右，证监会就正式核发祥生医疗的IPO批文。可以预见，随着祥生医疗即将登陆科创板，其未来的市场竞争力与品牌影响力必然将再进一步。特别是从超声医学影像设备市场的产业发展趋势来看，2022年的市场需求量预计增长至28.27万台/套，而医疗人工智能诊疗服务市场规模也将同期增长至58.75亿元。除了继续保持高净资产收益率之外，已经将产业触角延伸到国内外100多个国家和地区的祥生医疗也将抢抓这个产业发展黄金期，继续打开扬帆出海的市场规模，实现产业新飞跃。

尽管我国超声起步较晚，但经过多年发展，已形成了较为完善的产业链，逐步成为继美、日之后的第三大彩超市场，预计2019年市场规模近95亿元。仅从销量而言，国产设备以其性价比优势逐步抢占进口份额。祥生医疗作为中国超声的国家科研担当，在超声领域中颇有建树。同时，祥生医疗不仅吸引了不少投资者的关注，同时还被评最具投资价值公司百强榜之一。而纵观当下医疗领域，由于超声影像技术具备非介入、无辐射、无创伤，安全性高、能动态实时显示以及价格实惠等特点，被广泛应用于手术、病床检查和现场治疗。而祥生医疗则依靠着坚持自主研发的技术理念，通过多次突破技术壁垒，掌握了超声医疗领域多项核心技术。在高端彩超方面，公司拥有完整自主知识产权和创新能力，在多年技术积累的前提下，公司已在高端彩超实现了技术上的突破，目前公司在国内外市场分别推出了高端推车式彩超XBit系列和高端笔记本彩超SonoBook系列，实现了推车式、便携式高端彩超新产品上市的既定目标，进一步丰富了公司产品线。2020年10月份，以“创新科技 智领未来”为主题的第83届中国国际医疗器械博览会(CMEF)在上海举行，国内外行业上下游全产业链4200余家品牌企业、3万余款产品集中亮相，涵盖医学影像、智慧医疗、可穿戴设备等产品技术与服务。祥生医疗受邀参加了此次活动，除展示了SonoBook、CBit系列等多款产品外，还召开了高端彩超XBit 90和SonoEye新技术展示会。上海超声医学研究所所长、上海交通大学附属第六人民医院超声科主任胡兵教授分享了高端彩超XBit 90在腹部，小器官，心脏，泌尿方面以及造影的应用体验，胡主任表示，XBit90的惊艳表现让他为之自豪，尤其是腹部图像，与进口产品已经完全可媲美，甚至临床诊断上还有优势，双平面探头彩色敏感度很好，对泌尿应用有较大帮助，国产超声产品和技术完全可以覆盖三甲医院的超声科。如今在需求刺激下，近年来我国超声医学影像设备市场明显在迅速增长。而祥生医疗在这种大背景下，未来还会推出更多的高端彩超等超声仪器。对于已在市场中拥有一席之地的品牌来说，祥生医疗未来的销售规模和市场份额将更有前景，同时也能为医患们带来更多福利。

众所周知，人工智能AI是目前全球医疗保健领域发展的大趋势。特别是在医学影像领域，从最小可装进口袋的超声、各种医学影像分析软件，到可以实时测量手术失血量的视觉平台，黑科技的融入让产业创新成为最大亮点。特别是深耕的超声医学影像产业数十年的无锡祥生医疗科技股份有限公司，不仅在技术领域成为行业领头羊，更在产业层面不断精进。如今，祥生医疗即将登陆科创板，也为新一轮发展腾飞奠定了坚实基础。数据显示，临床诊断的70%都依赖于医学影像，其中AI功不可没。在未来，随着技术飞速发展、医学数据的持续扩增以及硬件设备的不断提升，AI和医疗的结合方式将越来越多样化。和国外在AI医学领域的超强发展水平相比，祥生医疗可以说是国内行业中将人工智能技术与超声医学影像技术结合的领先探索者和实践者。其中，该公司自主开发的SonoAI系统实现了超声乳腺四分类人工智能、动态多模态人工智能、颈动脉斑块稳定/易损性人工智能3项国际领先技术，并在2018年10月中国医师协会超声医师分会主办的全国超声医学多模态人工智能人机大赛中取得了优异成绩。近年来，祥生医疗已经先后取得“祥生SonoAI人工智能超声影像辅助诊断软件”、“乳腺疾病人工智能超声诊断软件”、“颈动脉人工智能超声诊断软件”等3项软件著作权登记证书，并全面启动了对SonoAI的FDA产品注册工作。在深度布局超声医学影像AI辅助诊断产品研发的同时，祥生医疗的技术布局前瞻性和技术创新卓越性也得到了政府职能部门的高度肯定。近年来，祥生医疗作为牵头单位先后承担了“十二五”国家科技支撑计划—“专用超声诊断探头部件及系统研发”课题、“十三五”国家重点研发计划—“乳腺三维超声容积成像系统及面阵探头的研制”项目的研发工作，三次承担了科技部“国家火炬计划项目”的科研工作，两次承担了“江苏省科技成果转化专项资金”项目，并承担了“江苏省自然科学基金青年基金项目”的科研任务，充分体现了祥生医疗在技术方面的研究开发能力。凭借着在市场竞争力与企业研发力两方面的竞争优势，企业也进一步打开了上市融资的新格局，于今年4月正式提出了IPO申请。仅用半年左右，证监会就正式核发祥生医疗的IPO批文。可以预见，随着祥生医疗即将登陆科创板，其未来的市场竞争力与品牌影响力必然将再进一步。特别是从超声医学影像设备市场的产业发展趋势来看，2022年的市场需求量预计增长至28.27万台/套，而医疗人工智能诊疗服务市场规模也将同期增长至58.75亿元。除了继续保持高净资产收益率之外，已经将产业触角延伸到国内外100多个国家和地区的祥生医疗也将抢抓这个产业发展黄金期，继续打开扬帆出海的市场规模，实现产业新飞跃。(责任编辑：张春元)来源: 砍柴网

中证网讯（记者 董添）近日，祥生医疗完成了首次公开发行股票并在科创板上市网上投资者交流会。会上，祥生医疗对募投项目、人工智能以及公司未来发展战略计划等问题进行详细说明。募投项目方面，祥生医疗拟公开发行2000万股，拟募集9.53亿元，用于超声医学影像设备产业化、研发创新及营销运营基地建设等3个项目，包括3亿元的创新与发展储备资金。公司表示，本次募投项目的成功实施，将在产品产能、产品品质、生产效率、生产管理等方面进一步强化公司的竞争能力；提高公司核心技术能力的储备，促进公司新产品开发和新领域拓展。同时，可以完善公司营销服务网络、加强市场推广力度和品牌建设水平，为全面提升公司的盈利能力提供保障。未来发展战略方面，公司表示，将继续实施技术创新，在超声医学影像设备行业做精做强，以技术为核心竞争力，提升产品性能，提高产品档次；继续坚持市场导向，进一步扩展国内外营销网络，推进品牌建设；加快建设本地化服务网络，更深入地渗透海外市场；加大国内市场的拓展力度，加快实现进口替代。人工智能方面，公司表示，人工智能对医疗领域的冲击已经不可避免，人工智能的广泛应用将对医疗领域带来深刻的变革。医学影像领域有望成为人工智能率先大规模广泛应用的细分领域。随着技术的持续进步及分级诊疗的持续推进，人工智能在医疗行业的应用场景越来越丰富，医学影像人工智能市场规模持续增长。祥生医疗是国内专业的、具有完全自主知识产权的超声医学影像设备及相关技术提供商，长期专注于超声医学影像设备的研发、制造和销售，可为国内外医疗机构、科研机构、战略合作伙伴等提供各类超声医学影像设备和专业的技术开发服务，辅助医师进行疾病检测和病情诊断。来源: 中证网

本报（chinatimes.net.cn）记者冯樱子 北京报道近几年，AI医疗影像飞速发展，在全世界掀起了“AI+医疗”的热潮。人工智能产品也从最早的肺结节领域不断拓展，延伸至心脏、脑部、内分泌、病理、超声等众多方向。1月22日，人工智能深至科技宣布完成B轮亿元级融资，本轮融资由GGV纪源资本领投。深至科技创立于2018年，专注于超声AI研究，是一家拥有原研底层算法的超声人工智能公司。在刚刚过去的2020年，深至科技总共完成了三轮融资，分别是舜懿资本领投的数千万人民币A轮融资；美年健康领投的数千万人民币战略融资；浙商创投领投的数千万人民币战略融资。此外，深至科技还在2019年完成了紫牛基金领投的天使轮融资。据深至科技CEO朱瑞星透露，本轮募集资金将被深至科技用于加速超声产品的深化与商业化的加速。超声市场需求巨大中国医学装备协会统计显示，截至2018年，我国超声保有量约为19万台。对比同期医疗器械数据可见一斑。同一节点上，DR市场保有量约为5.5万台；CT保有量约为2.2万台；内镜保有量约为2万台；MRI市场保有量为9255台。高保有量对应的是高需求。2020年，中国超声检查人次约为20亿次，仅美年大健康一家私立体检机构，其年超声检查便多达2000万次。因此，如何提升医生对于超声影像采集效率与准确率，是该领域一个重要的机遇与挑战。更为严峻的是医疗人才资源匮乏问题。世界上有5000万医生，但其中只有2%掌握了使用超声扫描的技能。与放射科影像分析不同，超声诊断需要采集不同切面的动态图像进行实时诊断，其图像获取和诊断非常依赖医生经验，这一门槛限制了超声在基层医疗的使用。尽管各类形态的超声已在技术上足够成熟，但对于不少基层医疗机构而言，仍缺乏足够具备充分诊断经验的医生。换言之，只有超声使用门槛的降低，才能让超声成为真正普惠、便携的诊断工具。人工智能的出现为解决超声普惠问题带了处方。一方面，AI可以使大型超声设备更加智能，成为集数据采集、管理、分析于一体、融入深度学习的智能终端；另一方面，AI可以降低超声的使用门槛，让更多非专业的医生学习超声，破解医疗结构性矛盾必不可少的环节就在于“检”，最终赋能基层。朱瑞星认为，对于临床专科化的医生而言，AI能够提供事中与事后的质控。“每次超声扫描医生需获取符合质控要求的数个结果，但由于压力、角度都会影响图像，并非每次结果都能准确有效。为了防止无效的切面采集，深至科技的AI会对生成的影像进行实时判别，整个分析过程延时控制在10ms-50ms。这样的采集将不仅局限于超声科之中，还可用于泌尿微创外科、内分泌科的临床穿刺场景之中，为手术提供引导、评估。”AI辅助决策下，最为直观的结果，是医生有限时间的再分配。过去，他们常常将70%的精力置于细节工作上，而把仅剩的30%精力放在决策性工作上。AI介入之后，医生可以将更多的时间专注于更有价值的决策工作上。“超声本身具有无辐射、可重复诊断等特点，在疾病诊断上具有无可比拟的优势，但超声图像的识别具有动态性，且需要具备丰富经验的医生进行动态操作，使其具有较高门槛。”美年大健康董事长俞熔则表示，深至科技专注超声AI领域。目前，双方正共同探讨在美年使用人工智能进行超声质控的相关流程和规则，避免因医生疲劳造成漏检，提高阳性检出率。基层医疗蕴含更大机会实际上，基层医疗是一个更大的市场，这里存在超过90万家医疗机构。面对如此巨大的市场，朱瑞星介绍，深至科技要做两件事。“第一步是降低超声的使用成本。我们以软件方式提升超声硬件性能，这意味着基层医疗在采购超声设备时有了更多的选择。同时，我们将配合医疗机构对医生展开系统化的超声培训，以帮助更多医生有效使用超声设备。”朱瑞星说。“过去，培养一个合格的超声医生需要3-5年时间，如今有了AI之后，我们将立足于基层培训体系，更好地满足医务工作者的需求，推动超声培训流程更佳流畅，更为贴近基层使用场景。”“第二步是通过AI降低医生使用超声的门槛，辅助医生进行超声诊断，这也是现阶段AI的核心能力之一。这一步考验的是深至的硬实力，自然也是深至的壁垒所在。事实上，除了海量数据的加持，深至拥有自研的超声AI底层算法，能够提供接近于‘1’的敏感性与特异性。”2020年2月，美国FDA首批Capture Health开发的人工智能超声影像辅助系统，为超声影像带来新的机遇。回顾国内，2020年全年共有9个人工智能影像产品获批三类证，该赛道虽与超声影像存在一定差异，却也彰显了器审中心推动医疗人工智能行业发展的决心。如今，深至科技AI超声辅助诊断病种涵盖甲状腺、乳腺、肝脏等二十余病种，产品服务了超过600家医院， 在超声硬件、人工智能系统、芯片、云计算方面获超过50个国内外专利，成为一家掌握动态医学影像分析的超声人工智能初创公司。深至科技方面介绍，其下一个目标，是加速产品三类证审批，实现落地到商业化的转化。“设备小型化+AI赋能基层医疗是一个有巨大潜力的方向。”GGV纪源资本执行董事吴陈尧对《华夏时报》等媒体记者表示，经过长时间的研发和积累，深至的AI技术已经可以极大的降低超声技术的使用门槛，从而惠及更多的患者和医生。同时，基层医疗市场在中国乃至全球其他发展中国家的医疗变革中，将创造巨大的需求，而人工智能+掌上超声只是深至科技切入这个市场的第一款产品。我们相信在董事长张卓和CEO朱瑞星的带领下，深至科技将成为科技赋能基层医疗的平台型企业，不断为基层医疗的市场推出既有技术领先性又能够落地的产品，创造长期的社会价值，吴陈尧提到。责任编辑：孟俊莲 主编：冉学东

最近，国内科创板即将迎来一支潜力无穷的新生股，它就是国内超声医学影像设备和专业技术研发领域的头部企业无锡祥生医疗科技股份有限公司。据了解，在近日围绕IPO上市进行的网上路演中，祥生医疗副总经理兼财务负责人周峰明确表态，以本次发行上市为契机，祥生医疗将在未来的发展过程中，不断加强公司的核心竞争力。特别是随着上市及募集资金项目的实施，公司将努力成为高技术、高附加值、高成长性、可持续发展，并具有高度创新能力的超声医学影像设备和专业技术开发服务的提供商。长期以来，全球超声医学影像设备市场一直是大型跨国公司的主战场，而国内企业则局限于中低端领域竞争。在多年沉淀与发展中，以祥生医疗为代表的一批国内顶尖企业逐步突破相关技术，不断缩小与国外先进企业的技术差距，凭借良好的产品质量、突出的性价比优势，开始参与到全球化竞争中。以祥生医疗为例，已经先后取得国内CMD认证、欧盟CE、美国FDA、加拿大、韩国等相关国际注册和质量体系认证。不仅如此，其产品也已经远销国内外 100 多个国家和地区。能够扬帆出海并参与到全球竞争，祥生医疗的科技创新实力十分突出。一分耕耘，一分收获。对于一直坚持科技创新的祥生医疗而言，数十年来在科技研发、人才培养、项目攻关、产业合作领域付出的努力和心血正在不断开花结果。根据祥生医疗的大数据显示，截至2019年6月，祥生医疗及其子公司共拥有177项境内外已授权专利。其中，境内已授权发明专利42项，境外已授权发明专利5项，实用新型专利68项，外观设计专利62项。与此同时，祥生医疗公司及子公司拥有63项软件著作权。此外，公司还获得了“国家知识产权优势企业”“江苏省企业知识产权战略推进计划承接单位”“江苏省企业知识产权管理标准化示范创建先进单位”等荣誉称号。可以说，在不断取得市场捷报的同时，祥生医疗凭借着科技创新与研发攻关的核心竞争力，一举奠定了行业龙头企业地位，也让IPO上市水到渠成。在超声医学影像及前沿AI医疗产业成为全球化热点的当下，即将登陆科创板的祥生医疗也没有停止技术创新的步伐。据了解，在完成IPO上市之后，祥生医疗将继续在超声医学影像设备行业做精做强，以技术为核心竞争力，提升产品性能，提高产品档次。特别是围绕“创造新价值、实现业务增长”的核心目标。该公司将在全身应用超声、专科超声等众多细化领域深耕细作，为更多市场应用场景推出专用产品，为解决行业痛点和市场需求创造更多价值。