AI在医疗影像设备全流程应用

AI早已不是商业噱头，它在各行业都有应用落地，今天来看一下AI如何在医疗行业中伴随并助力影像设备的发展。

AI主要解决三个问题，第一，AI可以作为一名经验丰富的医师，提升基层医院的诊疗水平，第二，AI可以作为助手，让医生从繁复工作中解脱出来，第三，在大数据中探索规律。

下面我们从影像设备的全流程工作周期来揭示AI所扮演的角色：

（一）扫描阶段

智能摆位：

摆位工作主要由操作技师完成，由操作技师根据扫描协议完成初步定位，这种方式操作效率低，对扫描技师存在辐射安全隐患，鉴于此，可以通过AI来完成自动摆位过程，借助设备上方安装的高清摄像头，拍摄患者照片，自动识别解剖关键点，根据相机标定参数和扫描协议，自动计算床移动大小。

自动定位像：

定位过程主要是根据低剂量的定位像去精确设定扫描范围和角度，MR和CT相比，MR可以以任意角度进行扫描，所以角度信息至关重要，例如，可以通过分割头部矢状位图像胼胝体，通过胼胝体旋转包围盒角度作为扫描角度。

图像重建：

扫描完成后，CT探测器接收X线经人体后衰减信号，MR接收线圈接收组织氢质子弛豫后释放能量信号，经模数转换成数字信号，重建过程就是将这些数字信号转换成人能看懂的灰度图像。

CT图像质量与辐射剂量相关，MR图像质量与扫描时间相关，重建算法就是解决如何在低剂量，短时间内获取高质量的图像。

重建算法根据其发展历程可分为：代数重建，滤波反投影，迭代重建，深度学习重建。

基于深度学习的重建算法也分为两种，一种是以原始生数据作为输入，输出高质量的重建后的灰度图像，典型的例子是GE的Turefidelity和佳能的Aice。

以Turefidelity为例，其训练数据，以两种扫描参数分别获取高质量，低质量图像，模型以低质量图像为输入，预测输出图像与扫描的高质量图像对比计算损失函数来优化参数。

另一种则是以重建后的灰度图像作为输入，进行去噪，去伪影，超分辨率等操作。

（二）诊疗阶段：

AI在诊疗阶段的应用不胜其数，按视觉领域应用划分，可分为图像分类，目标检测，图像分割，图像生成等。

图像分类：作为定性分析手段，为医生提供诊断上的依据，肿瘤良恶性诊断，骨龄预测，脑卒中Rapid分类等。

目标检测：作为半定量分析手段，不仅能提供分类结果，还能提供ROI的位置和大小，例如肺结节检测等。

图像分割：作为全定量分析手段，能提供像素级分类结果，进而计算ROI体积，最大径等参数，例如肿瘤分割，器官分割等。

图像生成：主要解决医疗影像数据不足的问题。