杨兆凯 王龙 陈金栋

摘要：随着信息技术的不断发展，人工智能技术日臻完善，在医学影像诊断中应用人工智能技术，以提高医学影像诊断的工作效率和正确率，成为近几年研究的热点问题。深度学习技术在图像处理领域取得了巨大成功，在医学影像辅助诊断中的应用也更加普遍。该文首先分析了深度学习技术在医学影像辅助诊断中的应用现状，然后从分类、检测、分割三个项目应用领域介绍了深度学习在医学影像的具体应用，最后具体分析了深度学习技术对于不同成像方式的不同应用。

关键词：深度学习;人工智能;医学影像;卷积神经网络

中图分类号：R42;TP311      文献标识码：A

文章编号：1009-3044（2021）35-0091-03

医学影像是辅助临床诊断最有效的方式，可以辅助医生快速分析病情，做出诊断。在过去，分析医学影像主要依靠医生肉眼观察，凭借医生积累的知识和经验，存在很多的主观因素。随着医疗水平的不断发展，患者越来越多，需要分析的医学影像也越来越多，极大地增加了医生的工作量。所以在医学影像诊断过程中应用人工智能，深度学习技术成为发展趋势。

1深度学习在医学影像领域的研究现状

在过去，传统的医学影像信息系统已经发展比较成熟，从医学影像生成，传输，处理，到最终得到医学影像检查结果有一套标准化的流程。经过多年发展，在医学影像信息系统中，积累了大量的医学影像数据，这些医学影像数据是医院一笔宝贵的财富。通过这些医学影像数据，对深度学习构建的卷积神经网络进行训练，从而得到理想的医学影像分析模型。

想要获得高质量医学影像智能诊断模型，需要大量的训练样本对模型进行训练。现阶段，这些医学影像信息系统，相对每个医院相互之间都是相对独立的，这就导致医学影像数据的数据量及普遍性不够。构建区域医学影像数据中心，可以对不同医学影像信息系统的数据进行整合，增加医学影像数据的多样性。在构建区域医学影像中心的过程中，应用医学影像降噪，医学影像超分辨率重建，医学影像去伪影等技术，以获得大量的，高质量的医学影像图像。通过这种方式，可以更好地训练神经网络模型，提高医学影像智能诊断的准确率，从而构建医学影像智能分析平台[1]。

深度学习技术在医学影像领域有诸多应用，包括医学影像的分类，检测，分割等。这些技术的应用，在医学影像的智能诊断方面取得了较好的效果。医学影像同时又有多种分类，包括x光检查、CT检查、磁共振检查、超声类检查以及核医学检查[2]。由于这些医学影像的成像方式不同，每种医学影像都有自己的特点，所以没有一种统一的深度学习方法能够解决所有问题。并且针对不同病种，不同疾病的不同医学影像在医学影像的智能诊断中采用不同的深度学习方法和卷积神经网络模型[3]。

2 深度学习在医学影像项目应用

目前，基于深度学习的图像分析技术在医学影像的应用主要在三个方面：分类、检测和分割。本章对目前医学影像智能分析技术的实际应用进行介绍，并且总结这些应用领域的应用案例。

2.1医学影像分类

利用深度学习技术对医学影像进行分类是当下研究的热点之一，最常见的应用场景，就是利用深度学习技术判断医学影像有没有某种疾病。比如通过磁共振医学影像可以诊断是否腹腔内肿块是否发生病变。

Gao X等[4]提出一种通过深度学习技术自动学习的特征，对裂隙灯图核性白内障的严重程度进行等级分类。Payan A等[5]通过稀疏自编码网络和三维卷积神经网络，基于大脑磁共振医学影像，构建的智能网络模型，可以識别诊断患者阿尔茨海默的疾病状态。Shen W等[6]提出一种多尺度卷积神经网络，这种多尺度卷积神经网络可以通过交替堆叠层捕捉肺结节的异质性，对肺结节的良性和恶性有很多好的分类效果。Dong N等[7]提出一种深度学习框架，可以通过自动学习来提取高级别胶质瘤患者的脑磁共振图像，可以判断患者的生存时间。

2.2医学影像检测

医学影像检测就是根据得到的医学影像，利用智能技术，判断疾病病变的位置，例如甲状腺结节检测，即为找到甲状腺结那个位置有结节。在医学影像检测中，需要用到医学影像重建及后处理、医学影像标注、医学影像配准、图像超分辨率等技术。

Schlemper J等[8]提出一种框架，在此框架内，利用深层卷积神经网络来重建欠采样的2D心脏磁共振医学影像的动态序列数据，从而实现加速采用。对于训练数据，只有经验丰富的医师才有资格对其进行有效标准，但是由于工作量巨大，Mardani M等[9]提出一深度学习框架，这种框架结合全卷机网络和主动学习，可以大大地减轻标注工作量。在医学影像图像智能诊断中，对齐两个或者更多图像的三维配准是极其重要的，Qin C等[10]提出了一种使用深度卷积神经网络进行建模，以原始数据作为模型输入，以最优动作作为输出的网络模型，从而大大提高了其准确性和鲁棒性。提高医学影像的分辨率，有助于更好地诊断病情，Lee D等[11]，提出一种卷积神经网络，将3T磁共振医学影像重建为7T磁共振医学影像，在对15位受试患者的实验结果上都优于传统方法。

2.3医学影像分割

基于深度学习技术的医学影像分割，目前最多的应用场景，就是体现在器官的分割上。这包括心脏分割、肝脏分割、大脑分割等。对于医学影像分割，主要是基于CT和磁共振医学影像。

Dou Q等[12]提出一种基于3D深度监督卷积神经网络的网络模型，利用全卷积网络结构，实现自动肝脏分割，这种方法可以使得智能网络模型拥有更快的收敛速度。Zhu W等[13]提出了一种端到端的卷积神经网络，这种网络采用全卷积构建模型，使用CRF进行特征学习，通过这种方式可以消除乳房X线影像数据集的过拟合问题，从而实现对乳腺医学影像的分割。Christ P F等[14]提出一种新的技术框架，在新的框架里，首先使用级联全卷积神经网络对HCC肿瘤病灶进行自动分割，然后，利用3D神经网络，对第一步中分割的病灶的恶性程度进行预测，通过这种方式构建的全自动肿瘤智能分析系统与专家标注的评估基本一致。

3医学影像智能分析

本文根据医学影像成像方式的不同，对不同成像方式下应用不同深度学习技术进行整理，分析了不同医疗场景中不同技术的实际应用。将不同深度学习的网络模型与实际医学影像相结合的医学影像智能分析技术是未来医学影像辅助诊断的发展趋势。

3.1基于深度学习的X射线医学影像智能分析

X射线成像方式的医学影像，对于人体中密度较大的组织有很好的成像效果。但是由于X射线医学影像得到的结果，人体组织重叠，导致医生很难做出精确判断。深度学习技术在X射线医学影像的大规模应用，促进了其智能分析的快速发展。

利用深度学习技术，构建不同的卷积神经网络框架，针对不同病种的X射线医学影像，进行智能分析。其中包括乳腺癌的高风险和低风险区分，预测和分析胸部X射线医学影像是否肺结核等。

3.2基于深度学习的CT检查医学影像智能分析

在所有医学影像智能分析中，CT应用深度学习技术的时间最久，发展最为成熟。利用深度学习能智能算法，对CT医学影像进行分类、检测、分割等，能为临床提供很多有价值的参考信息。在三大类应用中，对人体器官CT检查的医学影像的分割应用最为广泛，通过对医学影像的分割，可以得到组织不同方向，不公切面的信息数据，这些数据为诊断病情，判断病灶严重程度，都有很大的临床治疗意义。

CT医学影像的智能分析，不仅可以对肺结节进行分类，而且通过基于深度学习的智能算法，能够得到比较精确的病灶轮廓，从而对病灶进行精准分割。在对不同病灶进行精准分割，由于器官组织位置不同，所以用到的医学影像分割技术也不尽相同，其中包括肺结节分割、胰腺病灶分割、肝脏病灶分割、盆腔器官病灶分割、膀胱肿瘤分割等。

3.3基于深度学习的磁共振医学影像智能分析

磁共振成像技术是利用原子核在强磁场内发生共振，共振产生的信号经过空间编码，最终重建出人体图像。磁共振成像技术在医学影像技术中提供的信息量最多，可以得到人体各个方向，各个断层的图像，并且这种成像技术没有电离辐射，对人体不产生不良影响。

趋势：随着深度学习技术的不断发展，基于深度学习的自动化图像处理技术越来越多地应用到磁共振医学影像诊断分析之中。

深度学习技术应用在磁共振医学影像主要分为三大类：基于小块图像组的Patch-Wise CNN模型，基于语义的Semantic-Wise CNN模型和基于级联网络的Cascade CNN模型。利用这些技术对磁共振医学影像分析，包括對磁共振医学影像的重建，磁共振医学影像的分割及磁共振医学影像的质量评估。对于磁共振医学影像的智能分析，主要集中在大脑磁共振影像的分割方面。通过对输入和卷积神经网络模型的不断改进和发展，不断提高该领域影像分割的准确性。

3.4基于深度学习的超声医学影像智能分析

超声检查在医学影像检查中成本最低，通过超声医学影像，临床医生可以判断病灶状态，对超声医学影像的智能分析研究也已经有很多成熟的应用案例。超声检查的重要性不言而喻，正是由于诸多基于深度学习智能算法的应用，帮助临床医师快速准确地判断病情，这种智能分析技术，为临床诊疗节约了大量宝贵时间，提高了超声检查的整体工作效率。

利用超声医学影像智能分析技术，可以分析并预测甲状腺结节恶性风险的大小。同时，深度学习技术在超声医学影像领域的应用，还包括识别新生儿的心脏病研究，肝脏超声医学影像的特征分析，前列腺超声医学影像帮助诊断前列腺癌，在阑尾超声诊断可以为阑尾炎精确诊断提供依据等。

4总结与展望

本文通过分析深度学习技术在不同成像方式下医学影像中的应用，以及深度学习技术在医学影像不同项目中的应用，建设智能医学影像临床辅助诊断平台，从而提高医学影像的分析精度，为临床医疗诊断提供诊断依据，是未来医学影像发展的重要方向。医学影像智能分析技术不仅能够减少医生的工作量，提高工作效率，而且能够减少医学影像分析诊断方面的误诊率。

虽然人工智能为医学影像领域带来诸多益处，但是还是存在很多挑战。首先，目前大多医学影像智能分析平台，只能针对单种疾病，因此将多种疾病的医学影像智能分析平台进行整合是未来发展方向之一。其次，医学影像智能分析平台对临床治疗的指导意义不够，如何通过医学影像智能分析平台，结合可视化技术为患者提供更好的治疗方案，是未来需要努力解决的问题。最后，医学影像智能分析平台与传统的医学影像检查工作流相融合，实现医生高效工作，也是未来亟须解决的问题。

随着人工智能的不断发展，未来基于深度学习的医学影像智能分析技术，必将发挥更大的作用，惠及更多人民群众。

参考文献：

[1] 王飞，汪鹏，周琳，等.基于深度学习的影像智能诊断平台建设与应用[J].中国数字医学，2020，15（1）：11-13.

[2] 蒋西然，蒋韬，孙嘉瑶，等.深度学习人工智能技术在医学影像辅助分析中的应用[J].中国医疗设备，2021，36（6）：164-171.

[3] 陆浥尘，胡屹玲.医学影像人工智能的研发应用现状与挑战[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.

【通聯编辑：谢媛媛】