AI让机器学会看“片儿”了

Original JIG编辑部中国图象图形学报 2021-09-20

2018 年8月，在首届中国超声医学发展大会上，一场乳腺疾病诊断的人机大战拉开序幕，36位资深影像科医生对战一台医疗人工智能计算机，比赛谁能更快更准确地甄别出乳腺超声影像上的阴影是否为恶性肿瘤，经过三轮淘汰赛，人工智能计算机战胜了所有参赛队，宣告胜利。

AI技术给医学带来了全新改变，让计算机拥有了与人类相似的学习能力，可以辅助甚至代替医生进行诊断。

今天，AI在医学图像领域的应用成为学者争相研究的热点，已经在肺结节、甲状腺结节、乳腺癌、冠状动脉斑块、眼底病等医学图像领域取得了诸多成果，小编精选了5篇《中国图象图形学报》近两年发表的高关注度论文，多角度展示深度学习在不同医学图像领域的应用，一起来探索人机大战中AI取胜的奥秘吧~

糖尿病性视网膜图像的深度学习分类方法

关键词：糖尿病性视网膜图像分类; 卷积神经网络; 深度学习; 迁移学习; 深度特征

http://www.cjig.cn/html/jig/2018/10/20181014.htm

引用格式

李琼, 柏正尧, 刘莹芳. 糖尿病性视网膜图像的深度学习分类方法[J]. 中国图象图形学报, 2018, 23(10): 1594-1603.

[DOI: 10.11834/jig.170683]

糖尿病性视网膜病变（DR）是目前比较严重的一种致盲眼病，对糖尿病性视网膜病理图像的自动分类具有重要的临床应用价值。基于人工分类视网膜图像的方法存在判别性特征提取困难、分类性能差、耗时费力且很难得到客观统一的医疗诊断等问题，提出一种基于卷积神经网络和分类器的视网膜病理图像自动分类系统。

该分类系统由图像预处理阶段、基于迁移学习策略的深度特征提取阶段和自动分类3个阶段组成。该系统可以有效地学习视网膜图像中有判别意义的深度特征，并将学习到的特征输入到分类器中将视网膜图像分为正常、轻微病变、中度病变等5个阶段。与人工的特征抽取方法相比，本文对AlexNet网络引进批归一化层并采用迁移学习的训练策略可以获得图像分类所需的深度特征，而基于全连接网络构成深层分类器对预测视网膜病理图像具有更好的鲁棒性。

▲特征提取器

本文方法的分类准确率可达0.93，优于传统的直接训练方法，且具有较好的鲁棒性和泛化性。提出的视网膜病理图像分类框架有效地避免了人工特征提取和图像分类的局限性，同时也解决了样本数据不足而导致的过拟合问题。

▲ 视网膜图像5个阶段的热度图示例

前列腺磁共振图像分割的反卷积神经网络方法

关键词：前列腺分割；磁共振图像；卷积神经网络；Dice相似性系数；Hausdorff距离

http://www.cjig.cn/html/jig/2017/4/20170411.htm

引用格式

詹曙, 梁植程, 谢栋栋. 前列腺磁共振图像分割的反卷积神经网络方法[J]. 中国图象图形学报, 2017, 22(4): 516-522.

[DOI: 10.11834/jig.20170411]

目前，前列腺磁共振图像分割是一个极具挑战性的任务：

前列腺组织与周围其他组织的对比度较低，它们的边界难以区分；
在一幅磁共振图像中，属于前列腺组织的区域很小，可以获取的有效信息较少；
较长的算法时间消耗有可能推迟临床诊断。

本文算法定义的深度反卷积网络能够自动学习前列腺组织的形状特征，学习一个softmax分类器获得磁共振图像中每个像素点属于前列腺组织的可能性。引入的Dice相似性损失函数能够有效解决前列腺磁共振图像中目标与背景区域比例区别过大的问题。

以Dice相似性系数和Hausdorff距离作为评价指标，在MICCAI 2012数据集中，Dice相似性系数大于89.75%，Hausdorff距离小于1.3 mm，达到了传统方法的分割精度，并且将处理时间缩短在1 min以内，明显优于其他方法。相比于其他分割算法大幅度减小了处理时间，能够很好地适用于临床的前列腺图像分割任务。

▲ 本文方法前列腺图像的概率预测图，颜色越偏向红色表示该区域更有可能属于前列腺组织，而蓝色表示更有可能属于非前列腺组织。

结合改进的U-Net和Morphsnakes的肝脏分割

关键词：全卷积神经网络；肝脏分割；深度学习；主动轮廓；Morphsnakes

http://www.cjig.cn/html/jig/2018/8/20180814.htm

引用格式

刘哲, 张晓林, 宋余庆, 朱彦, 袁德琪. 结合改进的U-Net和Morphsnakes的肝脏分割[J]. 中国图象图形学报, 2018, 23(8): 1254-1262.[DOI: 10.11834/jig.170585]

肝癌是世界上最常见的6种癌症之一，医学图像肝脏分割对于肝脏疾病诊断，功能评估和治疗决策非常重要。针对腹部图像器官边界模糊及传统U-Net模型实现端到端的分割时精确度不高等问题，设计了一种基于改进的U-Net（IU-Net）和Morphsnakes算法的增强CT图像肝脏分割方法。

▲IU-Net网络架构

对U-Net进行了改进和优化，重新构建了IU-Net模型，在输出输入等尺寸的基础上，大大提高CT图像肝脏的分割准确率，并且通过OpenCV和Morphsnakes算法对IU-Net的分割结果进行精细分割，使最后的分割结果边界更加平滑、精确。

对200组增强CT进行实验的结果表明，本文算法分割准确率达到了94.8%，与U-Net、FCN-8s模型相比，具有更好的分割效果。

▲不同算法分割结果图

结合深度学习和支持向量机的海马子区图像分割

关键词：医学图像处理；海马子区分割；卷积神经网络；支持向量机；图像特征；特征提取

http://www.cjig.cn/html/jig/2018/4/20180409.htm

引用格式

时永刚, 程坤, 刘志文. 结合深度学习和支持向量机的海马子区图像分割[J]. 中国图象图形学报, 2018, 23(4): 542-551.

[DOI: 10.11834/jig.170431]

海马是大脑颞叶内侧的一个生理组织，对人类的空间定位和长期记忆有重要的作用。海马及其子区体积或形态的变化与很多神经退行性疾病有密切关联，例如阿尔兹海默症、轻度认知功能障碍等。

由于海马子区体积小且结构复杂，从大脑核磁共振图像(MRI)中准确分割出海马是一个挑战，本文提出一种基于卷积神经网络和支持向量机的海马子区分割方法。这种方法能够自动提取具有识别性的图像特征，克服了人工选取特征需要特殊技巧且繁琐耗时的缺点。

本文模型使用卷积神经网络(CNN)结构从海马图像中自动提取图像特征，利用SVM分类器识别上述特征并实现海马子区的精确分割。

采用来自美国旧金山CIND中心的32位实验者的脑部MRI图像做了测试，本文方法优于现有的基于稀疏表示与字典学习、支持向量机和卷积神经网络的方法，各海马子区分割准确率均有较大提升，对较大子区如Head，准确率较现有最优方法提升10.2%，对较小子区如CA2、CA3，准确率分别有36.2%和52.7%的大幅提升。

▲各种方法的海马子区的分割结果图

融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断

关键词：超声图像分类；甲状腺结节；计算机辅助诊断；深度学习；卷积神经网络；迁移学习

http://www.cjig.cn/html/jig/2018/10/20181013.htm

引用格式

迟剑宁, 于晓升, 张艺菲. 融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断[J]. 中国图象图形学报, 2018, 23(10): 1582-1593.

[DOI: 10.11834/jig.180232]

随着医疗影像学的发展，大部分的早期甲状腺结节可以在超声图像中准确地检测出来，但对于结节的性质仍然缺乏准确的判断。

为了实现更为准确的早期甲状腺结节良恶性超声图像诊断，避免不必要的针刺或其他病理活检手术、减轻病患生理痛苦和心理压力及其医疗费用，提出一种基于深度网络和浅层纹理特征融合的甲状腺结节良恶性分类新算法。具体分为4个步骤：