人工智能與深度學(xué)習(xí)在醫(yī)學(xué)影像輔助診斷中的應(yīng)用

楊兆凱 王龍 陳金棟

摘要：隨著信息技術(shù)的不斷發(fā)展，人工智能技術(shù)日臻完善，在醫(yī)學(xué)影像診斷中應(yīng)用人工智能技術(shù)，以提高醫(yī)學(xué)影像診斷的工作效率和正確率，成為近幾年研究的熱點(diǎn)問題。深度學(xué)習(xí)技術(shù)在圖像處理領(lǐng)域取得了巨大成功，在醫(yī)學(xué)影像輔助診斷中的應(yīng)用也更加普遍。該文首先分析了深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)影像輔助診斷中的應(yīng)用現(xiàn)狀，然后從分類、檢測(cè)、分割三個(gè)項(xiàng)目應(yīng)用領(lǐng)域介紹了深度學(xué)習(xí)在醫(yī)學(xué)影像的具體應(yīng)用，最后具體分析了深度學(xué)習(xí)技術(shù)對(duì)于不同成像方式的不同應(yīng)用。

關(guān)鍵詞：深度學(xué)習(xí);人工智能;醫(yī)學(xué)影像;卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：R42;TP311 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）35-0091-03

醫(yī)學(xué)影像是輔助臨床診斷最有效的方式，可以輔助醫(yī)生快速分析病情，做出診斷。在過去，分析醫(yī)學(xué)影像主要依靠醫(yī)生肉眼觀察，憑借醫(yī)生積累的知識(shí)和經(jīng)驗(yàn)，存在很多的主觀因素。隨著醫(yī)療水平的不斷發(fā)展，患者越來越多，需要分析的醫(yī)學(xué)影像也越來越多，極大地增加了醫(yī)生的工作量。所以在醫(yī)學(xué)影像診斷過程中應(yīng)用人工智能，深度學(xué)習(xí)技術(shù)成為發(fā)展趨勢(shì)。

1深度學(xué)習(xí)在醫(yī)學(xué)影像領(lǐng)域的研究現(xiàn)狀

在過去，傳統(tǒng)的醫(yī)學(xué)影像信息系統(tǒng)已經(jīng)發(fā)展比較成熟，從醫(yī)學(xué)影像生成，傳輸，處理，到最終得到醫(yī)學(xué)影像檢查結(jié)果有一套標(biāo)準(zhǔn)化的流程。經(jīng)過多年發(fā)展，在醫(yī)學(xué)影像信息系統(tǒng)中，積累了大量的醫(yī)學(xué)影像數(shù)據(jù)，這些醫(yī)學(xué)影像數(shù)據(jù)是醫(yī)院一筆寶貴的財(cái)富。通過這些醫(yī)學(xué)影像數(shù)據(jù)，對(duì)深度學(xué)習(xí)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到理想的醫(yī)學(xué)影像分析模型。

想要獲得高質(zhì)量醫(yī)學(xué)影像智能診斷模型，需要大量的訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練。現(xiàn)階段，這些醫(yī)學(xué)影像信息系統(tǒng)，相對(duì)每個(gè)醫(yī)院相互之間都是相對(duì)獨(dú)立的，這就導(dǎo)致醫(yī)學(xué)影像數(shù)據(jù)的數(shù)據(jù)量及普遍性不夠。構(gòu)建區(qū)域醫(yī)學(xué)影像數(shù)據(jù)中心，可以對(duì)不同醫(yī)學(xué)影像信息系統(tǒng)的數(shù)據(jù)進(jìn)行整合，增加醫(yī)學(xué)影像數(shù)據(jù)的多樣性。在構(gòu)建區(qū)域醫(yī)學(xué)影像中心的過程中，應(yīng)用醫(yī)學(xué)影像降噪，醫(yī)學(xué)影像超分辨率重建，醫(yī)學(xué)影像去偽影等技術(shù)，以獲得大量的，高質(zhì)量的醫(yī)學(xué)影像圖像。通過這種方式，可以更好地訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，提高醫(yī)學(xué)影像智能診斷的準(zhǔn)確率，從而構(gòu)建醫(yī)學(xué)影像智能分析平臺(tái)[1]。

深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)影像領(lǐng)域有諸多應(yīng)用，包括醫(yī)學(xué)影像的分類，檢測(cè)，分割等。這些技術(shù)的應(yīng)用，在醫(yī)學(xué)影像的智能診斷方面取得了較好的效果。醫(yī)學(xué)影像同時(shí)又有多種分類，包括x光檢查、CT檢查、磁共振檢查、超聲類檢查以及核醫(yī)學(xué)檢查[2]。由于這些醫(yī)學(xué)影像的成像方式不同，每種醫(yī)學(xué)影像都有自己的特點(diǎn)，所以沒有一種統(tǒng)一的深度學(xué)習(xí)方法能夠解決所有問題。并且針對(duì)不同病種，不同疾病的不同醫(yī)學(xué)影像在醫(yī)學(xué)影像的智能診斷中采用不同的深度學(xué)習(xí)方法和卷積神經(jīng)網(wǎng)絡(luò)模型[3]。

2 深度學(xué)習(xí)在醫(yī)學(xué)影像項(xiàng)目應(yīng)用

目前，基于深度學(xué)習(xí)的圖像分析技術(shù)在醫(yī)學(xué)影像的應(yīng)用主要在三個(gè)方面：分類、檢測(cè)和分割。本章對(duì)目前醫(yī)學(xué)影像智能分析技術(shù)的實(shí)際應(yīng)用進(jìn)行介紹，并且總結(jié)這些應(yīng)用領(lǐng)域的應(yīng)用案例。

2.1醫(yī)學(xué)影像分類

利用深度學(xué)習(xí)技術(shù)對(duì)醫(yī)學(xué)影像進(jìn)行分類是當(dāng)下研究的熱點(diǎn)之一，最常見的應(yīng)用場(chǎng)景，就是利用深度學(xué)習(xí)技術(shù)判斷醫(yī)學(xué)影像有沒有某種疾病。比如通過磁共振醫(yī)學(xué)影像可以診斷是否腹腔內(nèi)腫塊是否發(fā)生病變。

Gao X等[4]提出一種通過深度學(xué)習(xí)技術(shù)自動(dòng)學(xué)習(xí)的特征，對(duì)裂隙燈圖核性白內(nèi)障的嚴(yán)重程度進(jìn)行等級(jí)分類。Payan A等[5]通過稀疏自編碼網(wǎng)絡(luò)和三維卷積神經(jīng)網(wǎng)絡(luò)，基于大腦磁共振醫(yī)學(xué)影像，構(gòu)建的智能網(wǎng)絡(luò)模型，可以識(shí)別診斷患者阿爾茨海默的疾病狀態(tài)。Shen W等[6]提出一種多尺度卷積神經(jīng)網(wǎng)絡(luò)，這種多尺度卷積神經(jīng)網(wǎng)絡(luò)可以通過交替堆疊層捕捉肺結(jié)節(jié)的異質(zhì)性，對(duì)肺結(jié)節(jié)的良性和惡性有很多好的分類效果。Dong N等[7]提出一種深度學(xué)習(xí)框架，可以通過自動(dòng)學(xué)習(xí)來提取高級(jí)別膠質(zhì)瘤患者的腦磁共振圖像，可以判斷患者的生存時(shí)間。

2.2醫(yī)學(xué)影像檢測(cè)

醫(yī)學(xué)影像檢測(cè)就是根據(jù)得到的醫(yī)學(xué)影像，利用智能技術(shù)，判斷疾病病變的位置，例如甲狀腺結(jié)節(jié)檢測(cè)，即為找到甲狀腺結(jié)那個(gè)位置有結(jié)節(jié)。在醫(yī)學(xué)影像檢測(cè)中，需要用到醫(yī)學(xué)影像重建及后處理、醫(yī)學(xué)影像標(biāo)注、醫(yī)學(xué)影像配準(zhǔn)、圖像超分辨率等技術(shù)。

Schlemper J等[8]提出一種框架，在此框架內(nèi)，利用深層卷積神經(jīng)網(wǎng)絡(luò)來重建欠采樣的2D心臟磁共振醫(yī)學(xué)影像的動(dòng)態(tài)序列數(shù)據(jù)，從而實(shí)現(xiàn)加速采用。對(duì)于訓(xùn)練數(shù)據(jù)，只有經(jīng)驗(yàn)豐富的醫(yī)師才有資格對(duì)其進(jìn)行有效標(biāo)準(zhǔn)，但是由于工作量巨大，Mardani M等[9]提出一深度學(xué)習(xí)框架，這種框架結(jié)合全卷機(jī)網(wǎng)絡(luò)和主動(dòng)學(xué)習(xí)，可以大大地減輕標(biāo)注工作量。在醫(yī)學(xué)影像圖像智能診斷中，對(duì)齊兩個(gè)或者更多圖像的三維配準(zhǔn)是極其重要的，Qin C等[10]提出了一種使用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，以原始數(shù)據(jù)作為模型輸入，以最優(yōu)動(dòng)作作為輸出的網(wǎng)絡(luò)模型，從而大大提高了其準(zhǔn)確性和魯棒性。提高醫(yī)學(xué)影像的分辨率，有助于更好地診斷病情，Lee D等[11]，提出一種卷積神經(jīng)網(wǎng)絡(luò)，將3T磁共振醫(yī)學(xué)影像重建為7T磁共振醫(yī)學(xué)影像，在對(duì)15位受試患者的實(shí)驗(yàn)結(jié)果上都優(yōu)于傳統(tǒng)方法。

2.3醫(yī)學(xué)影像分割

基于深度學(xué)習(xí)技術(shù)的醫(yī)學(xué)影像分割，目前最多的應(yīng)用場(chǎng)景，就是體現(xiàn)在器官的分割上。這包括心臟分割、肝臟分割、大腦分割等。對(duì)于醫(yī)學(xué)影像分割，主要是基于CT和磁共振醫(yī)學(xué)影像。

Dou Q等[12]提出一種基于3D深度監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型，利用全卷積網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)自動(dòng)肝臟分割，這種方法可以使得智能網(wǎng)絡(luò)模型擁有更快的收斂速度。Zhu W等[13]提出了一種端到端的卷積神經(jīng)網(wǎng)絡(luò)，這種網(wǎng)絡(luò)采用全卷積構(gòu)建模型，使用CRF進(jìn)行特征學(xué)習(xí)，通過這種方式可以消除乳房X線影像數(shù)據(jù)集的過擬合問題，從而實(shí)現(xiàn)對(duì)乳腺醫(yī)學(xué)影像的分割。Christ P F等[14]提出一種新的技術(shù)框架，在新的框架里，首先使用級(jí)聯(lián)全卷積神經(jīng)網(wǎng)絡(luò)對(duì)HCC腫瘤病灶進(jìn)行自動(dòng)分割，然后，利用3D神經(jīng)網(wǎng)絡(luò)，對(duì)第一步中分割的病灶的惡性程度進(jìn)行預(yù)測(cè)，通過這種方式構(gòu)建的全自動(dòng)腫瘤智能分析系統(tǒng)與專家標(biāo)注的評(píng)估基本一致。

3醫(yī)學(xué)影像智能分析

本文根據(jù)醫(yī)學(xué)影像成像方式的不同，對(duì)不同成像方式下應(yīng)用不同深度學(xué)習(xí)技術(shù)進(jìn)行整理，分析了不同醫(yī)療場(chǎng)景中不同技術(shù)的實(shí)際應(yīng)用。將不同深度學(xué)習(xí)的網(wǎng)絡(luò)模型與實(shí)際醫(yī)學(xué)影像相結(jié)合的醫(yī)學(xué)影像智能分析技術(shù)是未來醫(yī)學(xué)影像輔助診斷的發(fā)展趨勢(shì)。

3.1基于深度學(xué)習(xí)的X射線醫(yī)學(xué)影像智能分析

X射線成像方式的醫(yī)學(xué)影像，對(duì)于人體中密度較大的組織有很好的成像效果。但是由于X射線醫(yī)學(xué)影像得到的結(jié)果，人體組織重疊，導(dǎo)致醫(yī)生很難做出精確判斷。深度學(xué)習(xí)技術(shù)在X射線醫(yī)學(xué)影像的大規(guī)模應(yīng)用，促進(jìn)了其智能分析的快速發(fā)展。

利用深度學(xué)習(xí)技術(shù)，構(gòu)建不同的卷積神經(jīng)網(wǎng)絡(luò)框架，針對(duì)不同病種的X射線醫(yī)學(xué)影像，進(jìn)行智能分析。其中包括乳腺癌的高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)區(qū)分，預(yù)測(cè)和分析胸部X射線醫(yī)學(xué)影像是否肺結(jié)核等。

3.2基于深度學(xué)習(xí)的CT檢查醫(yī)學(xué)影像智能分析

在所有醫(yī)學(xué)影像智能分析中，CT應(yīng)用深度學(xué)習(xí)技術(shù)的時(shí)間最久，發(fā)展最為成熟。利用深度學(xué)習(xí)能智能算法，對(duì)CT醫(yī)學(xué)影像進(jìn)行分類、檢測(cè)、分割等，能為臨床提供很多有價(jià)值的參考信息。在三大類應(yīng)用中，對(duì)人體器官CT檢查的醫(yī)學(xué)影像的分割應(yīng)用最為廣泛，通過對(duì)醫(yī)學(xué)影像的分割，可以得到組織不同方向，不公切面的信息數(shù)據(jù)，這些數(shù)據(jù)為診斷病情，判斷病灶嚴(yán)重程度，都有很大的臨床治療意義。

CT醫(yī)學(xué)影像的智能分析，不僅可以對(duì)肺結(jié)節(jié)進(jìn)行分類，而且通過基于深度學(xué)習(xí)的智能算法，能夠得到比較精確的病灶輪廓，從而對(duì)病灶進(jìn)行精準(zhǔn)分割。在對(duì)不同病灶進(jìn)行精準(zhǔn)分割，由于器官組織位置不同，所以用到的醫(yī)學(xué)影像分割技術(shù)也不盡相同，其中包括肺結(jié)節(jié)分割、胰腺病灶分割、肝臟病灶分割、盆腔器官病灶分割、膀胱腫瘤分割等。

3.3基于深度學(xué)習(xí)的磁共振醫(yī)學(xué)影像智能分析

磁共振成像技術(shù)是利用原子核在強(qiáng)磁場(chǎng)內(nèi)發(fā)生共振，共振產(chǎn)生的信號(hào)經(jīng)過空間編碼，最終重建出人體圖像。磁共振成像技術(shù)在醫(yī)學(xué)影像技術(shù)中提供的信息量最多，可以得到人體各個(gè)方向，各個(gè)斷層的圖像，并且這種成像技術(shù)沒有電離輻射，對(duì)人體不產(chǎn)生不良影響。

趨勢(shì)：隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)的自動(dòng)化圖像處理技術(shù)越來越多地應(yīng)用到磁共振醫(yī)學(xué)影像診斷分析之中。

深度學(xué)習(xí)技術(shù)應(yīng)用在磁共振醫(yī)學(xué)影像主要分為三大類：基于小塊圖像組的Patch-Wise CNN模型，基于語(yǔ)義的Semantic-Wise CNN模型和基于級(jí)聯(lián)網(wǎng)絡(luò)的Cascade CNN模型。利用這些技術(shù)對(duì)磁共振醫(yī)學(xué)影像分析，包括對(duì)磁共振醫(yī)學(xué)影像的重建，磁共振醫(yī)學(xué)影像的分割及磁共振醫(yī)學(xué)影像的質(zhì)量評(píng)估。對(duì)于磁共振醫(yī)學(xué)影像的智能分析，主要集中在大腦磁共振影像的分割方面。通過對(duì)輸入和卷積神經(jīng)網(wǎng)絡(luò)模型的不斷改進(jìn)和發(fā)展，不斷提高該領(lǐng)域影像分割的準(zhǔn)確性。

3.4基于深度學(xué)習(xí)的超聲醫(yī)學(xué)影像智能分析

超聲檢查在醫(yī)學(xué)影像檢查中成本最低，通過超聲醫(yī)學(xué)影像，臨床醫(yī)生可以判斷病灶狀態(tài)，對(duì)超聲醫(yī)學(xué)影像的智能分析研究也已經(jīng)有很多成熟的應(yīng)用案例。超聲檢查的重要性不言而喻，正是由于諸多基于深度學(xué)習(xí)智能算法的應(yīng)用，幫助臨床醫(yī)師快速準(zhǔn)確地判斷病情，這種智能分析技術(shù)，為臨床診療節(jié)約了大量寶貴時(shí)間，提高了超聲檢查的整體工作效率。

利用超聲醫(yī)學(xué)影像智能分析技術(shù)，可以分析并預(yù)測(cè)甲狀腺結(jié)節(jié)惡性風(fēng)險(xiǎn)的大小。同時(shí)，深度學(xué)習(xí)技術(shù)在超聲醫(yī)學(xué)影像領(lǐng)域的應(yīng)用，還包括識(shí)別新生兒的心臟病研究，肝臟超聲醫(yī)學(xué)影像的特征分析，前列腺超聲醫(yī)學(xué)影像幫助診斷前列腺癌，在闌尾超聲診斷可以為闌尾炎精確診斷提供依據(jù)等。

4總結(jié)與展望

本文通過分析深度學(xué)習(xí)技術(shù)在不同成像方式下醫(yī)學(xué)影像中的應(yīng)用，以及深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)影像不同項(xiàng)目中的應(yīng)用，建設(shè)智能醫(yī)學(xué)影像臨床輔助診斷平臺(tái)，從而提高醫(yī)學(xué)影像的分析精度，為臨床醫(yī)療診斷提供診斷依據(jù)，是未來醫(yī)學(xué)影像發(fā)展的重要方向。醫(yī)學(xué)影像智能分析技術(shù)不僅能夠減少醫(yī)生的工作量，提高工作效率，而且能夠減少醫(yī)學(xué)影像分析診斷方面的誤診率。

雖然人工智能為醫(yī)學(xué)影像領(lǐng)域帶來諸多益處，但是還是存在很多挑戰(zhàn)。首先，目前大多醫(yī)學(xué)影像智能分析平臺(tái)，只能針對(duì)單種疾病，因此將多種疾病的醫(yī)學(xué)影像智能分析平臺(tái)進(jìn)行整合是未來發(fā)展方向之一。其次，醫(yī)學(xué)影像智能分析平臺(tái)對(duì)臨床治療的指導(dǎo)意義不夠，如何通過醫(yī)學(xué)影像智能分析平臺(tái)，結(jié)合可視化技術(shù)為患者提供更好的治療方案，是未來需要努力解決的問題。最后，醫(yī)學(xué)影像智能分析平臺(tái)與傳統(tǒng)的醫(yī)學(xué)影像檢查工作流相融合，實(shí)現(xiàn)醫(yī)生高效工作，也是未來亟須解決的問題。

隨著人工智能的不斷發(fā)展，未來基于深度學(xué)習(xí)的醫(yī)學(xué)影像智能分析技術(shù)，必將發(fā)揮更大的作用，惠及更多人民群眾。

參考文獻(xiàn)：

[1] 王飛，汪鵬，周琳，等.基于深度學(xué)習(xí)的影像智能診斷平臺(tái)建設(shè)與應(yīng)用[J].中國(guó)數(shù)字醫(yī)學(xué)，2020，15（1）：11-13.

[2] 蔣西然，蔣韜，孫嘉瑤，等.深度學(xué)習(xí)人工智能技術(shù)在醫(yī)學(xué)影像輔助分析中的應(yīng)用[J].中國(guó)醫(yī)療設(shè)備，2021，36（6）：164-171.

[3] 陸浥塵，胡屹玲.醫(yī)學(xué)影像人工智能的研發(fā)應(yīng)用現(xiàn)狀與挑戰(zhàn)[J].人工智能，2021，8（3）：11-19.

[4] Gao X T，Lin S，Wong T Y.Automaticfeature learning to grade nuclear cataracts based on deep learning[J].IEEE transactions on bio-medical engineering，2015，62（11）：2693-2701.

[5] Payan A，Montana G.Predicting Alzheimer's disease：aneuroimaging study with 3D convolutional neural networks[J].Computer Science，2015.

[6] Shen W，Zhou M，Yang F，et al.Multi-scale convolutional neural networks for lung nodule classification[C]//InformationProcessinginMedicalImaging，2015.

[7] Nie D，Zhang H，Adeli E，et al.3D Deep Learning for Multi-modal Imaging-Guided Survival Time Prediction of Brain Tumor Patients[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention.Springer，Cham，2016.

[8] Schlemper J，Caballero J，Hajnal J V，et al.Adeep cascade of convolutional neural networks for MR image reconstruction[J].IEEE Transactions on Medical Imaging，2017.

[9] Mardani M，Gong E H，Cheng J Y，et al.Deepgenerative adversarial networks for compressed sensing automates MRI[EB/OL].[2021-03-20].https：//arxiv.org/abs/1706.00051.

[10] Qin C，Schlemper J，Caballero J，et al.Convolutionalrecurrent neural networks for dynamic MR image reconstruction[J].IEEE Transactions on Medical Imaging，2019，38（1）：280-290.

[11] Lee D，Yoo J，Ye J C.Deep residual learning for compressed sensing MRI[C]//2017 IEEE 14th International Symposium on Biomedical Imaging （ISBI 2017）.Melbourne，VIC，Australia.IEEE，2017：15-18.

[12] Dou Q，Chen H，Jin Y M，et al.3D deeply supervised network for automatic liver segmentation from CT volumes[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention.Springer，Cham，2016.

[13] Zhu W T，Xiang X，Tran T D，et al.Adversarial deep structured nets for mass segmentation from mammograms[C]//2018 IEEE 15th International Symposium on Biomedical Imaging （ISBI 2018）.Washington，DC，USA.IEEE，2018：847-850.

[14] Christ P F，Ettlinger F，Kaissis G，et al.SurvivalNet：Predicting patient survival from diffusion weighted magnetic resonance images using cascaded fully convolutional and 3D Convolutional Neural Networks[J].2017 IEEE 14th International Symposium on Biomedical Imaging （ISBI2017），2017：839-843.

【通聯(lián)編輯：謝媛媛】