人工智能方法在医学图像处理中的研究新进展

目的:随着医学影像智能化诊断的快速发展,为了满足愈加复杂的医学图像分析和处理要求,人工智能方法成为近年来医学图像处理技术发展的一个研究热点。本文对近五年来人工智能方法在医学图像处理领域应用的新进展进行综述。方法:将应用在医学图像处理领域主要的几种人工智能方法进行了分类总结,讨论了这些方法在医学图像处理各分支领域的应用,分析比较了不同方法间的优缺点。结果:人工智能方法应用主要在医学图像分割、图像配准、图像融合、图像压缩、图像重建等领域;包括蚁群算法、模糊集合、人工神经网络、粒子群算法、遗传算法、进化计算、人工免疫算法、粒计算和多Agent技术等;涉及MR图像、超声图像、PET图像、CT图像和医学红外图像等多种医学图像。结论:由于医学影像图像对比度较低,不同组织的特征可变性较大,不同组织间边界模糊、血管和神经等微细结构分布复杂,尚无通用方法对任意医学图像都能取得绝对理想的处理效果。改进的人工智能方法与传统图像处理方法的结合,在功能上相互取长补短,将是医学图像处理技术重要的发展趋势。     

人工智能技术在电生理诊断中的应用现状

人工智能理论及技术的不断发展,使其在各行业各领域有着广泛应用。电生理检查通过仪器设备获取人体生物电信号,并以图像形式展现,医师依据图像特征判断和分析疾病。借助人工智能技术自动分析电生理图像信号,能够实现疾病的智能诊断与预测,减少对医师经验的依赖,提升医疗服务水准。本文对人工智能技术在电生理诊断中的研究与应用现状进行综述,为电生理学科的发展提供一定的支撑和参考。     

基于人工智能的正位DR胸片质控体系研究与应用

随着医学诊断、治疗模式的改变,医学影像的质量直接影响着医生对病情的诊断和治疗。因此,通过计算机实现智能影像质控对放射科技师的拍片工作会有较大的辅助作用。本文拟就深度学习领域中的图像分割模型、图像分类模型结合传统图像处理算法应用于医学影像质量评价的研究方法及应用情况予以阐述。我们发现使用深度学习算法对医学影像大数据进行有效训练,提取出来的特征相比于单纯使用传统图像处理算法更加准确、高效,诠释了深度学习在医疗领域的广阔应用前景。本文开发出了一套辅助拍片智能质控系统,并成功应用到了华西医院和其他市、县级医院的放射科,有效验证了该质控系统的可行性与稳定性。     

生成式对抗网络在医学图像处理中的应用

近年来,研究人员将众多领域方法引入到医学图像处理中。经过不断改进,医学图像处理算法的效果和效率均得到不同程度的提高。目前,生成式对抗网络(GAN)在医学图像处理领域中的应用研究发展迅速。本文主要综述了GAN在医学图像处理中的应用研究情况,介绍了GAN的基本概念,并从医学图像降噪、检测、分割、合成、重建和分类等六个方面对GAN应用研究的最新进展进行了归纳总结,最后对该领域中值得进一步研究的方向进行了展望。     

基于图像分析技术的开放式舌象研究平台的构建

本文阐述了基于图像分析技术的开放式舌象研究平台的构建思路。舌象研究是中医诊断研究的一个重要的部分，从图像分析技术的角度对它进行研究是近年来的热点。由于涉及学科多，学科交叉面广，以往的研究模式已经不能使研究工作进入一个可持续、可发展的良性状态。建立一个开放式的舌象分析平台，将图像处理和分析方面专家、图像处理编程爱好者、舌诊专家、临床医师及其病人有机地组织起来，使大家既密切合作，又能使舌诊的客观化研究工作随着视觉技术、人工智能及模式识别等技术的发展而深入，促进图像处理与分析技术通过在中医领域的应用得到新的认识。     

微核的计算机图像自动化检测研究进展

1　概述近年来,人工智能在生物医学领域的应用日渐广泛。显微镜下生物结构的图像分析和图像识别是其最常见的应用之一。在国外,用于染色体组分型、染色体异常的检查及各种自动计数装置的系统已有不少的报道(Pincu等1985;Collisen等1986),其中一些精制模型已用于商业〔1〕。国内这方面的研究起步较晚,中国科学院生物物理研究所胡匡估等(1994)进行了运动红细胞形态结构的图像自动定量分析研究〔2〕;中国预防医学科学院席力强等(1994)染色体计算机图像处理方面的研究〔3〕;第三军医大学易东等(1996)进行了双核淋巴细胞微核计算机图像自动化检…     

深度学习在医学图像分析中的研究进展

人工智能领域不断创新发展,促使深度学习方法的理论和应用成为研究的热点。在医学领域中,传统的人工读片等医学图像分析方法已无法适应数量迅速增长的影像资料的诊断需求,因此,深度学习方法在医学图像中的应用备受关注。本文主要总结了深度学习方法在医学图像分割、图像分类识别和计算机辅助诊断方面的研究进展,最后进行了小结和展望。     

一种基于PC的医学图像可视化系统

三维医学可视化是近年来计算机图形学和图像处理技术研究和应用的重要领域。本文在PC上对多模态脑肿瘤医学图像的可视化进行了研究，该系统对医学图像进行了配准、融合、分割及三维重建，并以多种显示方式对重建结果进行显示。为脑肿瘤在诊断、治疗方面提供了有力的工具。     

医学图像实例分割:从有候选区域向无候选区域EI北大核心CSCD

医学图像中目标的检测和分割任务是近年来图像处理领域中的研究热点和难点。实例分割为属于同一类的不同对象提供实例级标签,因此广泛应用于医学图像处理领域。本文对医学图像实例分割从以下几个方面进行总结:第一,阐述实例分割的基本原理,将实例分割模型归纳为三类,并采用二维空间展示实例分割算法发展脉络,给出六个实例分割经典模型图;第二,从两阶段实例分割、单阶段实例分割以及三维(3D)实例分割三类模型的角度出发,分别总结三类模型的思想,探讨优缺点和梳理最新发展;第三,总结了实例分割在结肠组织图像、宫颈图像、骨显像图像、胃癌病理切片图像、肺结节计算机断层扫描图像和乳腺X线片图像等六种医学图像的应用现状;第四,讨论当前医学图像实例分割领域面对的主要挑战,并展望未来的发展方向。本文系统总结实例分割的原理、模型、特点,以及实例分割在医学图像处理领域中的应用,对实例分割的研究具有积极的指导意义。     

人工智能在泌尿疾病诊断中的应用现状与趋势

近年来,随着数据储存、图像处理、模式识别和机器学习等技术的进步,人工智能在泌尿疾病的诊疗方面得到了广泛的应用。基于影像学和组织病理学等海量的生物医学大数据,人工智能技术可以让医务工作者对泌尿系肿瘤、泌尿系结石、泌尿系感染、泌尿功能异常和勃起功能障碍等几类泌尿疾病的诊断更为精准,让治疗更加个性化。然而,目前人工智能诊疗大多处于研究阶段,在实际的应用中尚存在一些问题。本文以辅助诊断为线索,对人工智能方法在前列腺癌、膀胱癌、肾癌、尿路结石、尿频、勃起功能障碍等常见泌尿疾病的应用和研究情况予以综述,并进一步探讨其存在的问题和未来发展方向。     

医学图像深度学习处理方法的研究进展

由于医学图像数据爆炸式增长,传统依靠医生人工对医学图像进行分析诊断,不仅工作效率低下,工作量大,还容易误诊、漏诊。随着人工智能(artificial intelligence,AI)技术的发展与应用,机器学习(machine learning,ML),尤其是深度学习(deep learning,DL)在医学图像分析领域发挥着越来越重要的作用。本文对DL在医学图像自动分割和分类识别中的研究进展进行综述,为DL在解决医学图像分析诊断方面提供有益参考。     

基于病理图像的计算机辅助诊断进展

临床上对癌症的组织病理诊断是所有诊断方式的金标准。由于病理医师的主观决策性,基于显微镜观察的诊断结果准确率不高。随着计算机技术的快速发展,计算机辅助诊断用于病理图像分析成为人工智能领域的潮流。本研究对近年来病理图像辅助诊断的相关文献进行回顾,重点论述病理图像来源、机器学习的分阶段处理、端到端的全自动诊断及病理图像检索等方面的研究进展,最后对基于病理图像的计算机辅助诊断的发展趋势进行展望。     

BP neural network classification for bleeding detection in wireless capsule endoscopy

Bleeding in the digestive tract is one of the most common gastrointestinal tract (GI) diseases, as well as the complication of some fatal diseases. Wireless capsule endoscopy (WCE) allows physicians to noninvasively examine the entire GI tract. However it is very laborious and time-consuming to inspect large numbers of WCE images, which limits the wider application of WCE. It is therefore important to develop an automatic and intelligent computer-aided bleeding detection technique. In this paper, a new method aimed at bleeding detection in WCE images is proposed. Colour texture features distinguishing the bleeding regions from non-bleeding regions are extracted in RGB and HSI colour spaces; then a neural network using the colour texture features as the feature vector inputs is designed to recognize the bleeding regions. The experiments demonstrate that the bleeding regions can be correctly recognized and clearly marked out. The sensitivity of the algorithm is 93% and the specificity is 96%.     

基于主题模型的胶囊内镜图像序列筛查

无线胶囊内窥镜(WCE)是用于记录患者消化道影像的新技术,该技术的出现给消化道疾病诊断带来了极大帮助。但在检测过程中,每位患者所产生的约5~8万幅图像中含有大量气泡和杂质等干扰图像,极大地影响了疾病诊断的效率。目前大多数方法只针对气泡筛查,且这些方法通常不稳定、普适性较差。因此,提出一种基于主题模型的WCE图像语义分析方法筛查序列中干扰性图像。首先构建非对称自编码器提取图像特征,并利用K-Means算法对训练图像块特征聚类构建视觉单词;其次将测试图像块特征映射到视觉单词中,获得测试图像的词频矩阵,实现基于视觉单词的图像语义表达;最后利用主题模型对词频矩阵进行分析,获取图像语义分类。数据集来源于南京东部战区总医院的消化道内科30例不同患者的WCE图像序列,且由临床经验丰富的医生进行注解,其中包括3 340幅气泡图像、3 330幅杂质图像和3 330幅正常图像,以1∶1的比例随机划分为训练集和测试集,进行10次交叉验证。实验结果表明,该方法能有效筛查出干扰性图像,基于深度学习的卷积自编码器优于传统的特征提取方式,获得96.87%的精度,有效地减少医生阅片负担,提高疾病诊断效率。     

深度学习在放射学科和麻醉学交叉领域的应用进展

随着互联网和人工智能的应用,很多医疗领域变得更加高效和可靠。现代麻醉学的范畴已经不再局限于手术室内,还包括门诊、内镜科等,这就使麻醉医生的负担进一步加重。放射学科与麻醉学的结合为麻醉手术提供了更精确、更安全和更高效的方法,而深度学习技术的快速发展为该领域带来了许多前沿创新。该文综合归纳了近年来深度学习在该交叉领域的相关研究成果,并对相关应用进行了分类和总结。通过对文献的分析,该文重点讨论了医学影像领域的图像识别和目标定位等具体应用,并探讨了深度学习在麻醉学领域的局限性和未来发展方向。     

Contourlet-Based Features for Computerized Tumor Detection in Capsule Endoscopy Images

This article presents a computer-aided detection system for capsule endoscopy (CE) images using contourlet-based color textural features to recognize tumors in the digestive tract. As tumor exhibits rich information in color texture, a novel color texture feature based on contourlet transform is proposed to describe characteristics of tumor in CE images. The proposed features are a hybrid of contourlet transform and uniform local binary pattern, yielding detailed and robust color texture features in multi-directions for CE images. Sequential floating forward search approach is further applied to refine the proposed features. With support vector machine for classification, comprehensive experiments on our present data reveal an encouraging accuracy of 93.6% for tumor detection in CE images using the proposed features.     

人工智能在中医诊断中的应用进展

本研究立足于各类人工智能算法的数学原理,阐述了人工智能在中医诊断中的应用现状及问题。其中传统机器学习算法,如支持向量机、贝叶斯算法等因其小样本学习的特性,在闻诊、问诊等场景具备较高的精度与稳健性;而近年来新兴的深度学习算法则可以处理如图像、音频信号、文本等非结构化数据,与望诊、切诊等场景相契合;多模态深度学习则可以充分挖掘望闻问切数据中的信息,并在特征空间中进行隐式的四诊合参。人工智能的引入可以进一步推动中医的客观化、定量化发展,但其数据驱动的特性要求进一步规范现行的中医数据库建立流程。     

Lesion detection in radiologic images using an autoassociative paradigm: preliminary results

An area of artificial intelligence that has gained recent attention is the neural network approach to pattern recognition and classification. The use of neural networks in radiologic lesion detection is explored by employing what is known in the literature as the "novelty filter." This filter uses a linear algebraic model, whereupon in neural network terms, images of normal patterns become "training vectors" and are stored as columns of a matrix. An image of an abnormal pattern is introduced and the abnormality or the "novelty" is extracted. A noniterative technique has been applied. In a preliminary experiment, autoassociative recall was tested using alphabetic characters as training vectors. The second experiment used sections of transverse magnetic resonance (MR) images (TR = 3000 ms, TE = 40 ms) of normal patients as the training vectors. A section of a transverse MR brain image with multiple sclerosis lesions was introduced to the filter and the abnormalities were extracted. In conclusion, a neural network based lesion detector may have great promise in medical pattern recognition.     

Deep Transfer Learning for Automated Intestinal Bleeding Detection in Capsule Endoscopy Imaging

Purpose: The objective of this paper was to develop a computer-aided diagnostic (CAD) tools for automated analysis of capsule endoscopic (CE) images, more precisely, detect small intestinal abnormalities like bleeding. Methods: In particular, we explore a convolutional neural network (CNN)-based deep learning framework to identify bleeding and non-bleeding CE images, where a pre-trained AlexNet neural network is used to train a transfer learning CNN that carries out the identification. Moreover, bleeding zones in a bleeding-identified image are also delineated using deep learning-based semantic segmentation that leverages a SegNet deep neural network. Results: To evaluate the performance of the proposed framework, we carry out experiments on two publicly available clinical datasets and achieve a 98.49% and 88.39% F1 score, respectively, on the capsule endoscopy.org and KID datasets. For bleeding zone identification, 94.42% global accuracy and 90.69% weighted intersection over union (IoU) are achieved. Conclusion: Finally, our performance results are compared to other recently developed state-of-the-art methods, and consistent performance advances are demonstrated in terms of performance measures for bleeding image and bleeding zone detection. Relative to the present and established practice of manual inspection and annotation of CE images by a physician, our framework enables considerable annotation time and human labor savings in bleeding detection in CE images, while providing the additional benefits of bleeding zone delineation and increased detection accuracy. Moreover, the overall cost of CE enabled by our framework will also be much lower due to the reduction of manual labor, which can make CE affordable for a larger population.