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。     

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。     

医学图像深度学习技术:从卷积到图卷积的发展

以卷积神经网络为代表的深度学习技术推动神经网络在医学图像研究领域不断实现新突破。然而,平移不变性等理论假设限制了卷积神经网络在非欧氏空间数据中的表达能力,是医学图像深度学习技术亟待突破的瓶颈。图卷积技术不仅能够解决非欧氏空间数据的拓扑建模难题,还实现了空间特征提取,是深度学习技术全新的研究方向。本文对图卷积网络在医学图像领域的相关理论及其应用进行综述,旨在系统归纳和全面总结医学图像领域最新的图卷积理论、方法和实践,包括图结构视角下医学图像的专业采集、数据结构的剪枝转换以及特征聚类重构方法;图卷积网络的理论溯源,重要的网络架构和发展脉络;图卷积网络的优化方向和衍生出的跳跃连接、inception、图注意力等重要机制;图卷积网络在医学图像分割、疾病检测和图像重建等方面的实践应用。最后,提出了图卷积网络在医学图像分析领域仍亟待突破的瓶颈问题：1）多模态医学图像学习中,异构图的构建与学习任务的优化;2）特征重构和池化过程中,如何通过构图算法设计与神经架构搜索算法结合,以实现最优图结构的可学习过程转换;3）高质量图结构医学标注数据的大规模低成本生成与生成对抗网络的算法设计。随着人工智能技术的不断发展和医学影像规模的不断扩大,以图卷积为代表的深度学习方法必将在医疗辅助诊断领域取得更大的突破。     

深度学习在医学影像大数据中的应用研究

医疗过程中产生了以医学影像为主的海量医疗数据,采用大数据技术对医学影像进行采集存储和分析处理能够有效提高医学影像利用效率。本文对医学影像大数据平台构建,深度学习的大数据应用场景进行探讨,指出深度学习能有效提高医学图像处理、医学影像辅助诊断和基于医学影像的预后预测等的水平,具有广泛应用前景。     

磁共振影像深度学习在精神分裂症诊断中的应用综述

精神分裂症是一种大脑存在结构和功能异常的严重精神疾病,目前尚无十分有效的诊疗手段。许多研究者尝试采用基于磁共振影像的机器学习方法辅助诊断精神分裂症。深度学习由于其强大的特征表示能力,在医学影像等领域得到了广泛的应用,表现出比传统机器学习方法更优异的性能。目前已有论文对深度学习在医学影像领域内的应用进行了详细的总结和分析,却很少有论文对其在具体某一疾病（例如精神分裂症）诊断中的应用进行系统的梳理和总结。因此,本文主要关注深度学习在基于磁共振影像的精神分裂症诊断中的应用。首先介绍了基于磁共振影像的精神分裂症诊断中常用的几种深度学习模型;其次按照数据的不同模态将相关研究划分为：基于结构磁共振成像的方法、基于功能磁共振成像的方法以及基于多模态数据的方法,并对各类方法的具体应用进行了总结;最后针对目前的研究现状,进一步分析和总结出样本量偏小、样本类别不均衡、模型可解释性低、多模态分析中缺失模态数据以及缺少有效融合策略等,是目前该领域研究中存在的主要问题。多中心及纵向数据分析以及针对不同症状亚型的个体化精准诊断模型的构建,是未来该领域研究发展的趋势。本文系统地总结了深度学习在基于磁共振影像的精神分裂症诊断中的应用,分析了该领域面临的问题和下一步的研究方向,对该领域的研究具有一定的参考和指导意义。     

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。     

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.     

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。     

多特征融合的医学影像颜色感知算法

针对现有的医学影像主要以灰度图像的形式呈现,特征单一,不能充分表达图像信息等问题,提出多特征融合的医学影像颜色感知算法.首先通过提取多个方向的梯度特征以及融合原始亮度特征保留图像更多信息,在相似区域选择代表点,建立像素点的层次结构减少计算量;然后对顶层像素点利用流形学习和自顶而下的插值方法计算所有像素点的低维坐标;最后将低维坐标投影到颜色空间得到相应的彩色医学图像.在正常MRI影像、正常的CT影像以及带有疾病的MRI影像上进行实验的结果表明,文中算法对医学灰度图像进行着色后具有丰富的色彩信息;相比传统的颜色迁移算法,该算法具有更高的清晰度和目标背景对比度指标.     

定量磁共振图像的深度学习重建方法进展

磁共振成像是一种应用广泛的无创医学成像方法,因其丰富的软组织对比度可以成像人体几乎所有内部结构,包括器官、骨骼、肌肉和血管,已成为临床医学影像诊断的利器。然而磁共振成像存在两大公认的瓶颈：成像速度慢、扫描操作烦琐。深度学习给磁共振成像带来莫大的契机,给传统磁共振加速成像带来新的可能。鉴于该领域的快速发展性质,本文旨在总结文献中报道的大量深度学习和磁共振图像重建相结合的方法,以更好地了解该领域。本文简单介绍磁共振成像在多通道线圈接收的并行加速和压缩感知加速下的深度学习重建方法,其中单对比度图像可通过多通道接收线圈提供的冗余度用于加速,多对比度图像可额外使用不同对比度图像这一维度用于加速,动态图像与多对比度图像类似可额外使用时间维度用于加速,本文也将介绍深度学习在这些方面的发展。随着磁共振成像近年来由定性多对比度成像向定量多参数成像的发展,其中定量成像的图像中可内含多对比度图像,如何借用深度学习提供的能力将定性多对比度图像映射到参数图也是一个难点,近年来这一方向也获得了较快的发展,文中也将针对这方面内容进行调研并介绍。针对上述内容,分别介绍国际研究现状和国内研究现状,拟更好地总结国内外研究的发展的异同和趋势。最后对深度学习助力定量磁共振成像方面进行了展望。     

基于CT和MRI的医学图像融合研究

随着数字医疗和智慧医疗技术的不断进步,应用计算机视觉技术进行医学图像处理也随之在不断发展和进步,常见的医学影像例如CT、MRI以及超声波等解剖成像技术,PET、核磁共振等功能成像技术,但是解剖成像技术和功能成像技术未有效结合,通过将医学有用信息和计算机视觉成像技术结合,最大化的呈现病理信息,对于医生进行病情诊疗具有十分重要的意义。通常计算机视觉技术中图像融合技术通过有效算法可以对医学成像进行优势互补,发现医疗诊断中有用和有价值的信息,对于弥补医学图像呈现技术缺陷和图像信息的缺失是十分有效的。利用计算机视觉技术对CT医学图像和MRI医学图像进行融合,可将CT图像显示骨质信息清晰,图像分辨率高的的优点与MRI图像软结构显示清晰的优点结合,形成优势互补,从而使得医学图像显示信息更加丰富,本文基于当前医学图像融合技术,对于CT图像和MRI图像两类图像的进行融合,对其关键的融合算法进行深入研究。而本文主要是利用小波变换算法对CT和MRI两类解剖成像进行融合,实验结果证明,具有较强鲁棒性。     

机器学习在超声图像中的应用综述

超声图像为临床疾病检测与诊断提供重要的辅助信息,机器学习在超声图像中的应用给超声图像的分析诊断带来了新变革.从超声图像的去噪、分割、检测、分类等方面介绍了超声图像的研究现状.分类综述了近年来机器学习算法在超声图像领域的研究和应用进展.指出了基于机器学习在医学影像领域开展研究所面临的困难与挑战,并对未来研究方向进行了展望...     

甲状腺、乳腺超声影像自动分析技术综述

超声诊断是甲状腺、乳腺癌首选影像学检查和术前评估方法.但良恶性结节的超声表现存在重叠,仍欠缺定量、稳定的分析手段,严重依赖操作者经验.近年基于计算机技术的医疗影像分析水平快速发展,超声影像分析取得了一系列里程碑性的突破,为医学提供有效的诊断决策支持.本文以甲状腺、乳腺两类超声影像为对象,梳理计算机视觉、图像识别技术在医学超声图像上的学术进展,以超声影像自动诊断涉及的一系列关键技术为主线,从图像预处理、病灶区定位及分割、特征提取和分类4方面对近年主流算法进行详尽的综述分析,从算法分析、数据和评估方法等方面做多维度梳理.最后讨论了具体面向这两种腺体的超声图像计算机分析存在的问题,并对此领域的研究趋势和发展方向进行展望.     

MRI脑肿瘤图像分割研究进展及挑战

脑肿瘤分割是医学图像处理中的一项重要内容,其目的是辅助医生做出准确的诊断和治疗,在临床脑部医学领域具有重要的实用价值。核磁共振成像（MRI）是临床医生研究脑部组织结构的主要影像学工具,为了使更多研究者对MRI脑肿瘤图像分割理论及其发展进行探索,本文对该领域研究现状进行综述。首先总结了用于MRI脑肿瘤图像分割的方法,并对现有方法进行了分类,即分为监督分割和非监督分割;然后重点综述了基于深度学习的脑肿瘤分割方法,在研究其关键技术基础上归纳了优化策略;最后介绍了脑肿瘤分割（BraTS）挑战,并结合挑战中所用方法展望了脑肿瘤分割领域未来的发展趋势。MRI脑肿瘤图像分割领域的研究已经取得了一些显著进展,尤其是深度学习的发展为该领域的研究提供了新的思路。但由于脑肿瘤在大小、形状和位置方面的高度变化,以及脑肿瘤图像数据有限且类别不平衡等问题,使得脑肿瘤图像分割仍是一个极具挑战的课题。由于分割过程缺乏可解释性和透明性,如何将全自动分割方法应用于临床试验,还需要进行深入研究。     

点云算法在医学领域的研究进展

点云作为一种重要的3维数据,能够直观地模拟生物器官、组织等的3维结构,基于医学点云数据的分类、分割、配准、目标检测等任务可以辅助医生进行更为准确的诊断和治疗,在临床医学以及个性化医疗器械辅助设计与3D打印有着重要的应用价值。随着深度学习的发展,越来越多的点云算法逐步由传统算法扩展到深度学习算法中。本文对点云算法在医学领域的研究及其应用进行综述,旨在总结目前用于医学领域的点云方法,包括医学点云的特点、获取途径以及数据转换方法;医学点云分割中的传统算法和深度学习算法;以及医学点云的配准任务定义、意义,以及基于有/无特征的配准方法。总结了医学点云在临床应用中仍存在的限制和挑战：1）医学图像重建的人体器官点云分布稀疏且包含噪音、误差;2）医学点云数据集标注困难、制作成本高,可用于训练深度学习模型的公开数据集非常稀少;3）前沿的点云处理算法大都基于自然场景点云数据集训练,这些算法在医学点云处理中的鲁棒性和泛化能力还有待验证。随着医学点云数据集质量和数量的提升,医学点云处理算法的研究将会吸引更多的研究者。     

HIFU治疗子宫肌瘤中MRI与超声图像的融合研究

超声图像是高强度聚焦超声（HIFU）消融肿瘤中应用最多的影像学监控技术,但是超声图像质量差,图像伪影明显,通常还需要借助MRI图像,基于此,提出了一种新的影像监控方案,利用从MRI图像上分割出的肿瘤边界与实时超声图像融合,共同对HIFU治疗进行监控与导航。实验结果表明,基于MRI图像可以实时获取到任意切面平滑、准确的子宫肌瘤轮廓线,并融合显示于实时超声图像上,清晰的轮廓线既不影响超声的实时监控又弥补了某些切面的超声图像中肿瘤边界不完整的缺陷,为HIFU的精确治疗打下基础。     

Visualization of 3D ultrasound data

It is suggested that ultrasound data acquisition will play an increasing role in the future of medical imaging. Unlike magnetic resonance imaging (MRI) and computerized tomography (CT), ultrasound offers interactive visualization of underlying anatomy in real time. Additionally, ultrasound equipment costs far less and does not use ionizing radiation or require specialized facilities. The different methods for multidimensional medical imaging and scientific visualization are reviewed. Several volume visualization algorithms are discussed. They are multiplexer slicing, surface fitting, volume rendering, data classification, and viewing and shading. Three-dimensional ultrasound data display methods are also discussed