医学影像学动态数据库的应用研究

目的建立医学影像动态数据库并将其应用于辅助诊断系统。方法运用计算机数据库管理、图形识别处理与人工智能技术，对医学影像学文字资料与图片资料进行智能化操纵。结果建立医学影像动态数据库并将其应用于专家诊断系统，实现医学影像动态管理和计算机辅助诊断。结论改进和扩充了数据库的功能和执行效率．提高了数据库的演绎推理功能和智能化程度，支持专家诊断系统的研究。     

基于可扩展标记语言技术构建中国人大脑MR影像库

医学影像数据库及信息系统是医学影像数据有效检索与分析的重要手段,是医学临床、教育与研究的基础。本文提出一种基于可扩展标记语言(XML)的医学影像数据库及信息系统的构建方法,实现中国正常人脑MR影像库及信息系统,该系统支持医学影像数据的有效组织、存储、检索和挖掘。临床实际应用证明该系统具有可扩展性强、结构稳定、功能独立、存取效率高等特点,满足人脑MR影像数据存储、检索和处理分析的需求,具有良好的应用价值。     

前景与挑战:当医学影像遇见人工智能

伴随人工智能的蓬勃发展, 图像智能识别技术可较大程度降低医生工作量的观点在业界已达成共识。但在综合诊疗上, 人工智能可否给予医生更好的意见和建议尚无定论。目前, 国内医学影像领域的人工智能绝大多数仅集中于单纯的图像识别, 缺乏医学数据的积累和对影像报告的分析, 人工智能和医学影像结合的模式刚刚开始, 我们期待科技的进步继续成为人类文明的动力之源。     

基于WEB的纵隔疾病影像学诊断数据库框架的构建

目的构建基于WEB的纵隔疾病影像诊断数据库,探讨医学影像诊断数据库构建的基本模式。方法和结果对137例经临床病理证实的18种纵隔疾病的影像学表现进行回顾性分析,结合中国期刊网和MEDLINE相关中外文文献219篇,利用MicrosoftWindowsXP(ProfessionalServicePack),MSSQLServer2000数据库,Photoshop7.0,Dreamweav-er2005实现了18种纵隔疾病的基于WEB的检索。结论基于WEB的数据库技术,可用来构建医学影像诊断知识库,因此在计算机辅助诊断、教学、科研等领域有着广阔的应用前景。     

领域自适应方法用于医学影像研究进展

人工智能有助于提高医学影像学诊断准确率、提高工作效率,但训练模型的过程中需要对大量图像数据进行标注,且需面临域偏移等问题;利用领域自适应方法可基于少量标注数据训练高效模型。本文就领域自适应方法用于医学影像研究进展进行综述。     

影像组学的临床价值及面临的挑战

影像组学可将医学影像资料转化为可挖掘的数据。利用计算机软件从医学影像资料中挖掘海量的深层图像信息, 再基于机器学习或统计学方法, 筛选出关键的影像组学特征, 构建模型, 用于疾病的精准诊断、疗效评估和预后预测等, 在辅助临床决策方面具有重要作用。尽管目前已有多项研究证实了影像组学在临床中的重要价值, 但其仍是一门新兴的学科, 在将影像组学研究成果转化为临床实践前, 仍面临着诸如数据标准化、模型验证等问题。本文对影像组学的临床价值和目前研究中面临的挑战进行简要阐述。     

基于深度学习的多模态医学影像研究进展

凭借深度学习及大数据等技术的飞速发展,人工智能是医学领域最具发展前景的技术,鉴于医学影像对疾病的诊断与及时治疗的关键作用,医学影像与人工智能的结合正成为重要的交叉学科研究方向。在临床实践中,医生为了更精确全面的诊断疾病,往往需要同时参考多模态的影像数据进行综合分析和判断。本文首先介绍了多模态深度学习的基本概念和工作原理,对深度学习技术应用于多模态医学影像辅助诊断的代表性研究成果做出综述,分析了多模态深度学习在医学影像领域的技术挑战,并对该技术的应用前景作出展望。      

人工智能医学影像在胸部应用的机遇与挑战

人工智能(Artificial Intelligence,AI)是以深度学习(Deep Learning,DL)、人工神经网络(Artificial Neural Network,ANN)、机器学习(Machine Learning,ML)等新一代核心算法、强大的计算机计算能力和大数据(Big Date)共同促进的产物。也就是说,算法、算力和数据是其三要素。近年来,随着人工智能技术的飞速发展,AI在医学影像领域的应用日新月异,其中AI胸部影像研究最早也最成熟,本综述将从人工智能在胸部影像应用现状、机遇和挑战以及未来发展方向等方面进行阐述。     

骨科人工智能诊断的研究进展

随着互联网大数据的建立和普及、计算机分析数据能力的提升和新算法研究的推进,医学诊断从传统医学模式逐渐转向人工智能模式.人工智能在医学影像辅助诊断中利用自身的稳定性减少了误差,通过不断优化智能算法以大幅度提高诊断准确率,同时提高医师工作效率.由于影像学在骨科诊断中起着重要的作用,随着人工智能技术不断在骨科领域中应用及实践...     

大数据与人工智能在医学领域的应用进展

随着信息技术在医疗行业的发展,以非结构化数据为主的医疗数据急剧增长,利用大数据技术对其进行处理,可生成不同主题的数据库,创造巨大的附加价值。同时,以深度学习为核心的人工智能技术迅猛发展,人工智能辅助诊疗迎来了巨大的发展空间,有助于指导医疗活动,提高医疗诊治效率。大数据、人工智能与医疗行业的结合将成为未来重要的发展方向。本文就大数据与人工智能在医疗行业的应用进展进行阐述。     

Opportunities and challenges of artificial intelligence in the medical field: current application,emerging problems,and problem-solving strategies

Recent advancements in the field of artificial intelligence have demonstrated success in a variety of clinical tasks secondary to the development and application of big data, supercomputing, sensor networks, brain science, and other technologies. However, no projects can yet be used on a large scale in real clinical practice because of the lack of standardized processes, lack of ethical and legal supervision, and other issues. We analyzed the existing problems in the field of artificial intelligence and herein propose possible solutions. We call for the establishment of a process framework to ensure the safety and orderly development of artificial intelligence in the medical industry. This will facilitate the design and implementation of artificial intelligence products, promote better management via regulatory authorities, and ensure that reliable and safe artificial intelligence products are selected for application.     

人工智能用于医学影像学基础研究态势

在Web of Science数据库中检索截至2020年1月9日人工智能用于医学影像学研究论文,行文献计量学分析,观察历年论文数量变化情况、主要国家和机构的发文数量和影响力、全球国际合作情况和研究热点。     

人工智能在超声医学领域中的应用

人工智能(artificial intelligence,AI)近几年再度成为各领域关注的焦点,其中深度学习的提出带来了一系列革命性变化,而随着计算机视觉向深度学习过渡以及硬件和大数据的进步,AI在图像识别领域展现出更广阔的发展前景。深度学习模型使得相关图像算法甚至达到了比人眼更高的识别准确率, 这为医学影像的发展提供了巨大契机。超声医学作为影像领域的重要分支,利用AI相关算法进行声像图分析的研究不断涌现,不仅为临床科研提供了新思路,亦有助于提高超声诊断的准确性。     

深度学习技术在医学影像领域的应用

深度学习技术, 作为最近几年人工智能最热门的研究领域, 已成为全世界关注的焦点。深度学习在很多行业中展现出强大的应用能力, 在某些视听识别任务中的表现甚至超越了人类。在医学领域, 深度学习也逐渐成为研究者们分析大数据, 尤其是医学影像的首选方法。本文简要介绍深度学习的历史与概况, 结合国内外最新和最有影响力的研究成果, 阐述深度学习在医学影像领域的科学研究进展, 同时介绍深度学习在医学影像领域产品化应用及其未来的机遇与挑战。     

基于MRI的人工智能在肝纤维化诊断中的应用进展

肝纤维化是慢性肝病发展为肝硬化及其严重并发症、肝癌的必经途径,肝纤维化的无创性诊断一直是临床研究的热点。随着影像技术及计算机科学的不断发展,影像组学、机器学习等人工智能技术可以高通量提取及学习图像中的特征,更大程度地利用医学影像中人眼无法识别的信息,通过构建模型实现疾病的诊断、预后评估和疗效预测。近年来,人工智能技术的研究逐渐深入,作者就基于MR成像的影像组学和机器学习技术在肝纤维化诊断和分期中的临床应用进展进行综述。     

影像组学在卵巢肿瘤中的研究进展

卵巢肿瘤是常见的妇科肿瘤之一,其病理类型多样,发病率居高不下,传统的影像诊断往往基于影像图像的定性分析,缺乏客观性。近年来,随着人工智能的发展,影像组学的方法逐渐应用于肿瘤类疾病的研究中。这一方法从磁共振、计算机体层摄影及超声医学图像中提取大量定量特征进行客观分析,进而对卵巢肿瘤良恶性进行鉴别,对卵巢癌进行分型和分级以及对卵巢肿瘤预后进行预测,从而为进一步了解卵巢肿瘤的生物学特性提供了新的线索。作者从影像组学的概念、研究步骤、以及在卵巢肿瘤中的进展和面临的挑战和前景这几方面进行综述。