RSNA2019人工智能影像学

【摘要】随着人工智能（AI）的迅速发展和日益广泛的应用，人们对自动图像处理和分类技术产生了极大的兴趣，本年度RSNA年会上关于AI的研究报告按照部位进行分类总结。各研究通过利用深度学习分割图像、研究图像特征提取和图像转换，研发机器学习辅助诊断方法，比较不同AI模型如何提高成像效率、减少辐射剂量和对比剂剂量等，对临床疾病进行鉴别诊断和准确分级，进而辅助临床个体化治疗方案的制定，且有望大幅降低影像医师的工作负荷。     

静息态功能磁共振成像功能连接特异性指数模型在评估健康老年人认知分数中的应用

与传统量表法和任务态功能磁共振成像(fMRI)相比,静息态功能磁共振(rfMRI)在认知功能检测上有很大优势(特别是针对老年人),但脑老化功能影像学标记尚在探索中。提出功能连接特异性指数模型,试图与健康壮年人对照,分析健康老年人脑功能特异性,寻求区分认知分数的功能影像学指标,探索其分类认知分数优差的可能性,为替代提供研究基础。实验数据来自98名健康老年人和90名健康壮年人,前者来源于葡萄牙健康老年人认知功能的队列研究,在rfMRI扫描前,在认知量表测试分数最优和最差中,分别选出55名和43名作为实验组;后者数据来自哈佛医学院GSP影像组学,年龄在18～35岁之间,在rfMRI扫描前的认知功能评价分数居中,作为对照组。首先,对rfMRI预处理后,计算每人全脑功能连接,构建以脑区为单位的功能连接特异性指数模型,分析老年人脑功能连接与壮年人的偏移程度,统计、对比获得对优、差分数敏感的标志性脑区;然后,以其特异性指数值形成特征向量;最后,应用概率神经网络(PNN)模型对优、差分数组进行分类和N折交叉验证以检验所建指数模型的分类能力。健康老年人脑功能连接特异性指数模型可定位于健康老年人认知分数敏感的标志性脑区,分别处于额叶、颞叶、顶叶中的5个脑区;以这些脑区的指数为特征向量,可有效地区分优、差认知分数,准确度可达81.7%。通过对评价指数的建模并联合机器学习方法,可为rfMRI评估健康老年人认知分数提供有效的评价指标和新方法。     

基于Faster-RCNN的肺结节检测算法

针对目前的肺结节检测中存在的个体差异、同病异影、同影异病的问题,提出一种大样本条件下的基于Faster-RCNN的肺结节检测算法,对比研究目前的深度学习模型的适应性,给出一种通用的随着样本数量增加肺结节检测率持续提升的策略。首先搭建深度学习的软硬件环境,设置影像数据接口与Faster-RCNN的网络接口匹配;然后搭建Faster-RCNN的单类分类网络,并对网络结构的参数进行调整优化;最后用包含2 000例病人的肺结节数据集,通过不同的卷积神经网络模型 (包括ZF和VGG),计算CT图像在各自模型中的特征。对测试结果进行分析评估,分别统计其漏检率、检测准确率,并探讨不同训练数量和数据增广类型对最终检测准确率的影响。最终ZF模型的检测准确率为90.82%,准确率的波动方差为13.30%;VGG模型的检测准确率为87.02%,准确率的波动方差为37.10%。ZF模型的波动方差小,检测精确度高,综合考虑,ZF模型对肺结节的检测效果优于VGG模型的检出效果。所提出的肺结节检测技术具有良好的理论价值和工程应用价值。     

基于神经网络的双X射线影像2D-3D配准算法

针对基于迭代优化的传统2D-3D医学图像配准算法运行速度慢，难以达到实时配准的要求，本研究提出一种实时2D-3D配准方法。通过将空间刚体变换参数分解到两个平面上，将2D-3D配准简化为两个步骤，包含2D-2D近似刚体配准与单参数2D-3D刚体配准。同时利用深度卷积神经网络拟合患者X射线影像残差与其对应姿态差异间的非线性映射关系，从X-DRR图像对的残差回归出空间刚体变换参数。经由头颅CT数据训练后的网络，在0.04 s内完成了高精度的双X射线配准。本研究提出的配准方法满足了放疗过程中进行实时2D-3D配准工作的要求。     

深度学习算法在脑电信号解码中的应用

近年来深度学习算法得到飞速发展,在生物医学工程领域的应用也越来越广泛。其中,利用深度学习算法从脑电信号(EEG)中解码生理、心理或病理状态也受到越来越多的关注。综述近年来深度学习算法在EEG解码中的应用,介绍常用算法、典型应用场景、重要进展和现存的问题。首先,论述常用于EEG解码的几类深度学习算法的基本原理,包括卷积神经网络、深度信念网络、自编码器和循环神经网络等。然后,讨论深度学习算法的几个典型EEG解码应用场景,包括脑机接口、情绪与认知识别、疾病辅助诊断。结合应用实例,归纳深度学习算法在EEG解码中的常见问题、解决方案、主要进展和研究趋势。最后,总结深度学习应用于EEG信号解码中仍待解决的一些关键问题,如参数复杂度、训练时间以及泛化能力等。     

典型机器学习算法在脂肪肝分类预测研究中的实现与比较

目的:实现和比较5种常见的机器学习算法在脂肪肝分类预测研究中的应用。方法:通过主成分分析对数据的体检指标进行降维,然后应用决策树、神经网络、支持向量机、贝叶斯网络和随机森林算法,分别构建脂肪肝分类预测模型,对1956例体检数据进行脂肪肝的分类预测。结果:决策树分类模型在脂肪肝分类预测上的准确率最高,达到70.14%,其次是支持向量机和神经网络模型,处于68%左右的水平。结论:本文所研究的典型算法在脂肪肝分类的预测上具有较为可靠分类预测能力,但决策树模型在应用小样本数据上表现出了优势;同时,还发现臀围(HIP)和甘油三酯(TG)可能与脂肪肝分类关联密切。