深度学习在医学影像中的应用综述

深度学习能自动从大样本数据中学习获得优良的特征表达,有效提升各种机器学习任务的性能,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域。基于深度学习的医学影像智能计算是目前智慧医疗领域的研究热点,其中深度学习方法已经应用于医学影像处理、分析的全流程。由于医学影像内在的特殊性、复杂性,特别是考虑到医学影像领域普遍存在的小样本问题,相关学习任务和应用场景对深度学习方法提出了新要求。本文以临床常用的X射线、超声、计算机断层扫描和磁共振等4种影像为例,对深度学习在医学影像中的应用现状进行综述,特别面向图像重建、病灶检测、图像分割、图像配准和计算机辅助诊断这5大任务的主要深度学习方法的进展进行介绍,并对发展趋势进行展望。     

深度学习在医学影像智能处理中的应用与挑战

利用深度学习方法对医学影像数据进行处理分析,极大地促进了精准医疗和个性化医疗的快速发展。深度学习在医学图像领域的应用较为广泛,具有多病种、多模态、多组学和多功能的特点。为便于对深度学习在医学图像处理领域的应用进行更深入有效的探索,本文系统综述了相关研究进展。首先,从深度学习在影像基因组学中的应用出发,理清了深度学习在医学影像领域应用的一般思路和现状,将医学影像领域分为智能诊断、疗效评估和预测预后等3个模块,并对模块内的各病种进行总结,展示了深度学习各算法的优缺点及面临的问题和挑战。其次,对深度学习中出现的新思路、新方法以及对传统方法的改进进行了阐述。最后,总结了该领域现阶段面临的问题,并对未来的研究方向做出了展望。基于深度学习的医学图像智能处理与分析虽然取得了一些有价值的研究成果,但还需要根据临床的实际需求,将深度学习与经典的机器学习算法及无创并且高效的多组学数据结合起来,对深度学习的理论和方法进行深入研究。     

深度学习下的医学影像分割算法综述

医学影像分割是计算机视觉在医学影像处理中的一个重要应用领域,其目标是从医学影像中分割出目标区域,为后续的疾病诊断和治疗提供有效的帮助。近年来深度学习技术在图像处理方面取得了巨大进展,基于深度学习的医学影像分割算法逐渐成为该领域研究的重点和热点。叙述了计算机视觉下的医学影像分割任务及其难点,重点综述了基于深度学习的医学影像分割算法,对当前具有代表性的相关方法进行了分类和总结,介绍了医学影像分割算法常用的评价指标和数据集。对该技术的发展进行了总结和展望。     

深度学习与生物医学图像分析2020年综述

医学大数据主要包括电子健康档案数据（electronic health record,EHR）、医学影像数据和基因信息数据等,其中医学影像数据占现阶段医学数据的绝大部分。如何将医学大数据应用于临床实践?这是计算机科学研究人员非常关注的问题,医学人工智能提供了一个很好的答案。通过结合医学图像大数据分析方向截至2020年的最新研究进展,以及医学图像大数据分析领域最近的工作,梳理了当前在医学图像领域以核磁共振影像、超声影像、病理和电信号为代表的4个子领域以及部分其他方向使用深度学习进行图像分析的方法理论和主要流程,对不同算法进行结果评价。本文分析了现有算法的优缺点以及医学影像领域的重难点,介绍了智能成像和深度学习在大数据分析以及疾病早期诊断领域的应用,同时展望了本领域未来的发展热点。深度学习在医学影像领域发展迅速,发展前景广阔,对疾病的早期诊断有重要作用,能有效提高医生工作效率并减轻负担,具有重要的理论研究和实际应用价值。     

基于深度学习的医学影像分割研究综述

医学影像分割是计算机辅助诊断中的一项基础且关键的任务,目的在于从像素级别准确识别出目标器官、组织或病变区域。不同于自然场景下的图像,医学影像往往纹理复杂,同时受限于成像技术和成像设备,医学影像噪声大,边界模糊而不易判断。除此之外,对医学影像进行标注极大依赖于医疗专家的认知和经验,因此可用于训练中的标注数据少且存在标注误差。由于上述的医学影像边缘模糊不清、训练数据较少和标注误差较大等特点,基于传统图像分割算法搭建的辅助诊断系统难以满足临床应用的要求。近年来随着卷积神经网络（CNN）在计算机视觉和自然语言处理领域的广泛应用,基于深度学习的医学影像分割算法取得了极大的成功。首先概述了近几年基于深度学习的医学影像分割的研究进展,包括这些医学影像分割算法的基本结构、目标函数和优化方法。随后针对医学影像标注数据有限的问题,对目前半监督条件下医学影像分割的主流工作进行了整理归纳和分析。此外,还介绍了针对标注误差进行不确定度分析的相关工作。最后,总结分析了深度学习医学影像分割的特点并展望了未来的研究趋势。     

基于深度学习的计算机辅助肺癌诊断方法

癌症,是21世纪死亡率较高的疾病之一,而肺癌在所有癌症发病率及死亡率中均占首位.近年来,随着大数据与人工智能的兴起,基于深度学习的肺癌辅助诊断逐渐成为热门的研究课题.计算机辅助肺癌诊断技术主要是对医学仪器成像得到的肺部影像数据进行处理分析的过程,文中将这类过程总结为4个步骤:医学影像数据预处理、肺实质分割、肺结节检测与分割,以及病变诊断.由于深度学习技术对于训练数据的数量需求较高,而目前领域内公开较多的数据主要是肺部CT图像的结节数据,因此深度学习上对于肺癌辅助诊断的工作主要是肺内实质部分分割、肺结节检测分割以及病变分析的工作.文中对于面向肺癌辅助诊断的传统医学影像处理方法进行了简单介绍,并对前沿的深度学习医学影像处理方法进行了综述.     

基于数据增强的CT图像病灶检测方法

基于医疗影像的辅助诊断技术正处于快速发展阶段,但是受医学影像数据量的制约,使得基于深度学习的建模方法无法向更复杂的模型进行探索.本文从医学CT影像数据增强方法出发,概述了医疗影像病灶图像的成像特点,针对病灶检测及分割任务对现有方法进行了归类总结,并阐述了当前医学影像检测和分割的难点.分别从病灶检测相关技术、影像数据增强方法、基于生成对抗网络(Generative Adversarial Network,GAN)的病灶检测方法等方面进行了总结.最后,针对医学领域内基于深度学习的数据增强方法:标准GAN、pix2pixGAN、CycleGAN模型进行了对比分析,并展望未来医学影像分析领域的发展趋势.     

基于深度学习的医学影像诊断综述

目前各类医学影像数据积累迅速,给利用传统影像分析方法实现疾病诊断的医生带来了巨大挑战;计算机视觉领域的深度学习方法日渐成熟,为实现医学影像的自动分析及辅助医生实现疾病的高精度智能诊断提供了新的契机。文中综述了深度学习方法在医学影像领域的最新研究进展。首先,介绍了深度学习方法以及该类方法在医学影像领域的应用情况;然后,从应用深度学习主要研究的几大病症来分析具体的研究进展;最后,总结研究动向,预测研究趋势,并提出深度学习在医学影像研究中可能存在的问题以及建议。     

基于深度学习的心脏图像分割研究现状

面对严重的医学影像分析缺口,深度学习的发展能够满足国内医疗行业的需求。心脏图像的处理方法可大致分为传统的图像处理技术、基于图谱的方法（atlas-based methods）、基于模型的方法（model-based methods）以及目前热门的采用机器学习和深度学习的方法。在深度学习兴起之前,传统的机器学习技术如模型法和图集法在心脏图像分割中有良好表现,但通常需要大量的特征工程知识或先验知识才能获得令人满意的精度。而基于深度学习的算法能从数据中自动发现复杂的特征以进行对象检测和分割。得益于先进的计算机硬件以及更多可用于训练的数据集,基于深度学习的分割算法已超越了以往的传统方法。本文回顾了2012—2022年有关心室、心外膜和心包脂肪的图像处理的各项方法、衡量指标及其目前的研究现状,并结合分割技术的发展,讨论了心脏分割的发展趋势。     

深度学习方法在糖尿病视网膜病变诊断中的应用

深度学习可以有效提取图像隐含特征,在医学影像识别方面的应用快速发展. 由于糖尿病视网膜病变(Diabetic retinopathy, DR)诊断标准明确、分类体系成熟,应用深度学习诊断糖尿病视网膜病变近年来成为研究热点. 本文从深度学习方法在DR诊断中的最新研究进展、DR诊断的一般流程、公共数据集、医学影像标注方法、主要实现模型、面临的主要挑战几方面, 对深度学习方法在糖尿病视网膜病变诊断中的应用进行了详细综述, 便于更多机器视觉、尤其是深度学习医学影像的研究者们参照对比,加快该领域研究的成熟度和临床落地应用.     

使用三维智能剪刀算法的PACS设计

为了提高PACS的医学影像处理的效率和准确性,在三维智能剪刀技术的基础上,结合三维图形处理和医学影像处理技术,设计和开发了智能PACS.不仅可以管理医学影像资料,还可以高效自动地辅助医生对脏器和肿瘤进行分割标识,医生可以在这些数据的基础上对肿瘤的疗效和预后进行准确的评估.该系统不仅在算法层面有所创新,而且把最新的学术成果应用到医疗应用第一线,有重要的理论价值和强烈的应用需求,对公共卫生起到明显促进作用,可以产生巨大的社会效益.     

基于医学影像分割方法的多模态语料库构建

电子文本病历语料库可提供相关医学影像的定性诊断结果,但缺乏直观影像和文本标注信息,不利于有效管理医学数据和医科学生自主学习相关医学知识.针对此问题,文中提出基于深度水平集算法的医学影像分割方法,对医学影像进行自动分割,给出感兴趣区域的轮廓结果及相关定量指标,并结合自然语言处理方法实现电子病历文本的标注,增强影像与文本病历多模态语料库的信息表征能力.在青光眼影像数据上的实验表明,文中方法可精准分割眼底图像中视盘和视杯,有效构建具有直观影像标记与对应病历文本的多模态语料库.     

生成对抗式网络及其医学影像应用研究综述

生成对抗式网络（generative adversarial network,GAN）由负责学习数据分布的生成器和负责鉴别样本真伪的判别器构成,二者在相互对抗过程中互相学习逐渐变强。该网络模型使深度学习方法可以自动学习损失函数,减少了对专家知识的依赖,已经广泛应用于自然图像处理领域,对解决医学影像处理的相关瓶颈问题亦具有巨大应用前景。本文旨在找到生成对抗式网络与医学影像领域面临挑战的结合点,通过分析已有工作对未来研究方向进行展望,为该领域研究提供参考。1）阐述了生成对抗式网络的基本原理,从任务拆分、条件约束以及图像到图像的翻译等角度对其衍生模型进行分析回顾;2）对生成对抗式网络在医学影像领域中的数据增广、模态迁移、图像分割以及去噪等方面的应用进行回顾,分析各方法的优缺点与适用范围;3）对现有图像生成质量评估方法进行小结;4）总结生成对抗式网络在医学影像领域的研究进展,并结合该领域问题特性,指出现有理论应用存在的不足与改进方向。生成对抗式网络提出以来,理论不断完善,在医学影像的处理应用中也取得了长足发展,但仍然存在一些亟待解决的问题,包括3维数据合成、几何结构合理性保持、无标记和未配对数据使用以及多模态数据交叉应用等。     

PACS系统在医院中的应用

介绍了运用Windows NT网络操作系统,将美国850 mA的X光机与普通微机相连,设计的医学影像数字化采集处理与计算网络技术相结合的PACS(Picture Archiv-ing and Communication Systems,医学影像存档与通信系统)系统.用数字化采集影像技术,将各种图像设备的视频信息经数码化处理,改善了图像的质量,增加了图像的清晰度和有效信息.经医学实践证明,PACS系统,不仅提高了医疗的准确性,而且可以进行远程医疗会诊,实现资源共享.同时改善了医院的医疗条件,提高了医生的医疗效率.通过网络技术,可以帮助院长及时掌握医院各环节的情况,为医院领导提供了现代化管理的有效手段.     

深度学习在口腔医学影像中的应用与挑战

口腔医学影像是进行临床口腔疾病检测、筛查、诊断和治疗评估的重要工具,对口腔影像进行准确分析对于后续治疗计划的制定至关重要。常规的口腔医学影像分析依赖于医师的水平和经验,存在阅片效率低、可重复性低以及定量分析欠缺的问题。深度学习可以从大样本数据中自动学习并获取优良的特征表达,提升各类机器学习任务的效率和性能,目前已广泛应用于医学影像分析处理的各类任务之中。基于深度学习的口腔医学影像处理是目前的研究热点,但由于口腔医学领域内在的特殊性和复杂性,以及口腔医学影像数据样本量通常较小的问题,给深度学习方法在相关学习任务和场景的应用带来了新的挑战。本文从口腔医学影像领域常用的二维X射线影像、三维点云/网格影像和锥形束计算机断层扫描影像3种影像出发,介绍深度学习技术在口腔医学影像处理及分析领域应用的思路和现状,分析了各算法的优缺点及该领域所面临的问题和挑战,并对未来的研究方向和可能开展的临床应用进行展望,以助力智慧口腔建设。     

分布式医学影像分析与处理平台的设计与实现

介绍了分布式医学影像分析与处理平台DMIP（Distributing Medical Imaging Analyzing and Processing Platform）的设计以及在此基础上开发的数字医疗软件。DMIP采用分布式数据存储技术以及面向对象和基于构件的软件工程技术,在可视化开发包VTK的基础上,融合了数据缓存技术、线程池技术和交互器理论等内容,从而降低网络负荷,提高访问速度;开发了包含大量医学影像分析与处理功能的C++类库和构件库,以便再次开发。通过数字医疗软件的应用实例展示了DMIP的功能,与同类产品比较效果显著。     

深度迁移学习辅助的阿尔兹海默氏症早期诊断

目前越来越多的老人正在遭受着阿尔茨海默氏症AD(Alzheimer's Disease)带来的痛苦。临床研究显示,轻度认知障碍MCI(mild cognitive impairment)转化为阿尔兹海默氏症的概率很高,但是若能在MCI阶段对其进行药物治疗是可以康复的,因此提高根据核磁共振图像MRI医学图像诊断的准确率很有必要有。由于医学领域的特点,构建带标注信号的一定规模的数据集非常困难,导致现有机器学习/深度学习方法难以应用于医学影像分析以至于深度学习的结果并不理想。采用数据增广方式对原来数据集的规模进行一定数量的扩充。然后采用一种针对MRI识别的端到端的深度神经网络分类器(MCINet)。结合迁移学习方式对MCINet模型进行有效训练而不至于过拟合。实验结果表明,该方法在较少带标记训练样本的情形下,也获得较高的准确率。     

基于AI技术在医学影像处理的应用

随着信息技术的飞速发展,AI技术在各个领域都得到了广泛研究并应用,更在一些领域打破了当下困惑,突破了瓶颈。将AI技术与医学影像处理结合是一项非常具有前景的项目。基于AI技术在医学影像领域的应用具备很多种可能。当下社会,癌症逐渐成为中共公民的致命杀手。最常见的诊断模式就是放射科医生根据CT影像诊断。但是以目前的条件,并不能保证患者在早期发现癌症,故而错失了最佳治疗时机。我们需要一种能够发现早期癌症并诊断的方法。正文主要介绍了AI技术与医学影像处理技术的发展历史及发展近况,研究目的及意义。通过AI技术建立影像识别模型从而引入医学影像处理技术中分析其发展前景。现如今人工智能已成为了当下的热门课题。深度学习的提出不仅拓展了AI技术的整体范围,还突破了当下许多技术难题。本文以肺部疾病为例,应用深度学习技术,探讨基于AI技术在医学影像处理的应用,从而达到促进医疗水平进步的目的。     

一种基于多模态特征提取的医学视觉问答方法

随着深度学习在医疗领域的快速发展,医学视觉问答(Med-VQA)吸引了研究人员的广泛关注.现有的Med-VQA方法大都使用权重参数共享的同一特征提取网络对多模态医学影像进行特征提取,在一定程度上忽略了不同模态医学影像的差异性特征,导致对特定模态特征提取时引入其它模态的噪声特征,使得模型难以关注到不同模态医学影像中的关键特征.针对上述问题,本文提出一种基于多模态特征提取的医学视觉问答方法.首先,对医学影像进行模态识别,根据模态标签指导输入参数不共享的特征提取网络以获得不同模态影像的差异性特征;然后,设计了一种面向Med-VQA的卷积降噪模块以降低医学影像不同模态特征的噪声信息;最后,采用空间与通道注意力模块进一步增强不同模态差异性特征的关注度.在Med-VQA公共数据集Slake上得到的实验结果表明,本文提出方法能有效提高Med-VQA的准确率.     

基于深度学习的多模态医学影像分割研究综述

多模态医学影像分割是医学影像分析领域的研究热点之一。有效利用不同模态影像的互补信息,从多种层面提供病灶区域及其周围区域的更多信息,可提高临床诊断的准确性。为了分析深度学习在多模态医学影像分割领域的研究现状及发展方向,对该领域近些年的分割方法进行了整理和研究。在分析它们的特点及存在的问题的基础上,对未来研究方向进行了展望,可帮助相关研究者全面、快速地了解该领域的研究现状、存在的问题和未来研究方向。