AI在医学图像处理中的应用

数字图像处理在医学上的应用

1 引言

自伦琴1895年发现X射线以来,在医学领域可以用图像的形式揭示更多有用的医学信息,医学的诊断方式也发生了巨大的变化。随着科学技术的不断发展,现代医学已越来越离不开医学图像的信息处理, 医学图像在临床诊断、教学科研等方面有重要的作用。目前的医学图像主要包括CT (计算机断层扫描) 图像、MRI( 核磁共振)图像、B超扫描图像、数字X

光机图像、X 射线透视图像、各种电子内窥镜图像、显微镜下病理切片图像等。但是由于医学成像设备的成像机理、获取条件和显示设备等因素的限制, 使得人眼对某些图像很难直接做出准确的判断。计算机技术的应用可以改变这种状况，通过图像变换和增强技术来改善图像的清晰度, 突出重要的内容，抑制不重要的内容,以适应人眼的观察和机器的自动分析，这无疑大大提高了医生临床诊断的准确性和正确性。

数字图像处理的基本方法就是图像复原与图像增强。图像复原就是尽可能恢复原始图像的信息量,尽量保真。数字化的一个基本特征是它所固有的噪声。噪声可视为围绕真实值的随机波动, 是降低图像质量的主要因素。图像复原的一个基本问题就是消除噪声。图像增强就是通过利用人的视觉系统的生理特性更好地分辨图像细节。

与其他领域的应用相比较，医学影像等卫生领域信息更具独特性，医学图像较普通图像纹理更多，分辨率更高，相关性更大，存储空间要更大，并且为严格确保临床应用的可靠性，其压缩、分割等图像预处理、图像分析及图像理解等要求更高。医学图像处理跨计算机、数学、图形学、医学等多学科研究领域，医学图像处理技术包括图像变换、图像压缩、图像增强、图像平滑、边缘锐化、图像分割、图像识别、图像融合等等。 在此联系数字图像处理的相关理论知识和步骤设计规划系统采集和处理的具体流程同时充分考虑到图像采集设备的拍摄效果以及最终处理结果的准确性，例举了基于图像处理技术的人体手指甲襞处微血管管袢直径的测量方法。

数字图像处理的应用

数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号，并通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。

数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。

进行数字图像处理所需要的设备包括摄像机、数字图像采集器（包括同步控制器、模数转换器及帧存储器）、图像处理计算机和图像显示终端。

图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。

接下来，就讨论一下数字图像处理在医学上的应用。

自发现X射线以来,在医学领域可以用图像的形式揭示更多有用的医学信息,医学的诊断方式也发生了巨大的变化。随着科学技术的不断发展,现代医学已越来越离不开医学图像的信息处理。

目前的医学图像包括CT图像、核磁共振图像、B超扫描图像、数字X 光机图像、X 射线透视图像、各种电子内窥镜图像、显微镜下病理切片图像等。由于人眼识别度等客观因素的影响，大部分的图像需要依靠计算机的帮助。随着数字图像处理技术的发展，对这些图像的分析以及处理，会变得更加快捷，分析的结果也会更加精准。 与其他领域的应用相比较，医学影像等卫生领域信息更具独特性，医学图像较普通图像纹理更多，分辨率更高，相关性更大，存储空间要更大，并且为严格确保临床应用的可靠性，其压缩、分割等图像预处理、图像分析及图像理解等要求更高。

首先，对于一个病例，要进行图像采集，由于采集到的图像因试验测量系统和测量者个人因素存在较多噪声,所以要先通过预处理对图像进行去噪处理和灰度变换处理等使其变得较为清晰。预处理完成后再利用中心路径提取算法对所获取的图像进行进一步处理。

接下来要做的就是图像处理。

先对图像二值化，二值形态学的运算对象是集合给出一个图像集合和一个结构元素集合利用结构元素对图像进行操作。然后做中心线的提取等。

医疗AI+｜当人工智能遇上医疗影像

医疗AI发展不断提速，在广袤的中国医疗数据土地上纵横驰骋。

2018年，HC3i正式推出“医疗AI加速度”栏目。该栏目旨在以行业媒体角度记录医疗AI市场的发展进程，汇聚模式引领发展。

据统计，目前医疗数据中有超过90%来自医疗影像，医疗影像数据已经成为医生诊断必不可少的“证据”之一。如果能够利用好AI帮助医生做出准确的诊断，是当前众多影像AI探索者努力的方向，对于广泛提升疾病诊断和治疗的准确率都有很大帮助，因此获得广大临床医生和科研工作者的关注。

本期主题《当人工智能遇上医疗影像》，锁定中国影像AI的探索与发展。

1. 飞利浦

智能肿瘤介入治疗应用OncoSuite是业界首个肿瘤介入全面方案，为肿瘤栓塞和经皮消融术提供一站式解决方案，可以优化肿瘤病灶显示、引导导管到位、治疗及疗效评价等治疗环节，使得大肿瘤治疗更彻底，而<1cm的小肿瘤病灶及其供血血管更容易被检出，同时可以避免损伤与肿瘤相近的健康组织。

2. 阿里健康

阿里健康、万里云联合开发的智能影像诊断产品“Doctor

You”AI系统包括临床医学科研诊断平台、医疗辅助检测引擎、医师能力培训系统等。“Doctor You”的CT肺结节智能检测引擎由阿里健康的算法引擎团队和阿里巴巴iDST的视觉计算团队共同打造，它将医学知识和人工智能技术结合，自动识别并标记可疑结节，提高医生工作效率，降低误诊率和漏诊率。

3. 腾讯觅影

腾讯觅影人工智能医学影像聚合了医学专家、人工智能和产品支持团队，把图像识别、深度学习等领先的技术与医学跨界融合，辅助医生对癌症进行早期筛查。目前，腾讯觅影的AI辅诊能力主要包括诊疗风险监控系统和病案智能化管理系统：诊疗风险监控系统旨在辅助降低医生诊疗风险；病案结构化输出可以准确提取病案特征，输出结构化的病历，让医生从病案繁琐的表面工作中解脱，有效提升诊疗和科研效率。

4. 海纳医信

海纳医信主动脉夹层影像分割及全量化分析系统基于人工智能的血管影像分割算法及自动化量化建模的算法，使得临床医生在5分钟内，就可以针对凶险的主动脉夹层病患，建立精准的主动脉血管全量化模型，极大的提高了主动脉夹层疾病的诊断与介入治疗的效率和质量。

的从业背景。带领团队在阿里天池肺ＣＴ的ＡＩ识别等比赛中取得过多个奖项。

一直以来，医疗影像诊断都是医疗中的一项重要工作。从广义上来说，医疗影像学包括成像技术／设备、图像处理技术，以及日益重要的医学图像分析。而医学图像分析涵盖的图像类别，也不仅限于“内部组织器官”，还包括体表皮肤、五官、外部关节特征等的拍摄图像，显微查看及扫描的组织与细胞病理图像等。基于此，本文将探讨目标检测类的深度神经网络方法在医学图像分析上的运用，以及释放出的巨大潜力。

·３８·技几口，～，－．＝¨－▲目麓替工

人一、简介目标检测集成框架在医学图像ＡＩ辅助分析中的应用——

图像分类与识别是常见的图像分析任务，同时也是图像检索的基本单元。近十年来

这些任务的效果得到全面提升。比如ＩｍａｇｅＮｅｔ作为图像分类识别领域最负盛名的数据

集，已经被ＡｌｅｘＮｅｔ、ＶＧＧ、ＧｏｏｇｌｅＮｅｔ、ＲｅｓＮｅｔ、ＳＥＮｅｔ等深度神经网络从７２％的准确率，

逐步提升到９７．７５％，超越人Ｉ］艮９４．９％的水平。这些神经网络以结构深、层数多而被冠以“深

度”之名，也催生了“深度学习”的ＡＩ流派，但它们为何会在图像分类上实现超乎常

人的效果，假说众多，却并无定论。它们就像从图片输入到分类输出中间位置的黑盒模

型，以端到端（ｅｎｄｔｏｅｎｄ）一步到位的方式实现良好的结果，却令人知其然不知其所以然。

虽然深度神经网络用于图像分类有黑盒模型硬伤，但凭借效果好、普及面极其广泛，

在医学图像的分类（比如分为有病无病、或者哪类病）上也变得流行，像皮肤癌［１］、

胸片［２］、眼底照［３］的场景。这些研究的普遍特点是将ＩｍａｇｅＮｅｔ上成功的神经网络加

以简单利用或衍生，以便在医学图像的分类上取得好的效果。

基于深度神经网络对医学图像进行疾病分类，也可视为一定程度的计算机辅助诊

断（ＣＡＤ：ＣｏｍｐｕｔｅｒＡｉｄｅｄＤｉａｇｎｏｓｅ），但因为深度神经网络不擅长把分类结论归因到

医学图像的具体特征，也难以给出准确的影像描述，得出的分类或诊断结论欠缺可解释