從設備角度看待，AI影像的實踐路徑和特殊性。
近期，雷鋒網AI掘金志邀請東軟醫療人工智能與臨床創新研究院總監楊明雷博士，做客雷鋒網公開課，以“成像端及專科化疾病方向AI的研究與應用”為題進行，集中梳理了東軟醫療在不同的設備端、不同專科疾病上的技術乾貨。
本節視頻回放，將在明天中午12點推送公開課微信群，請在公眾號 醫健AI掘金志 後臺，回覆關鍵詞“聽課”，進群收看
自去年成立以來，東軟醫療AI創新研究院率先將AI技術應用於設備端，並且大幅提升成像的質量和速度。
楊明雷表示，在MR方面，在AI技術的加持下，東軟醫療的頭部成像技術Smart BrainQuant可以將掃描時間從69分鐘縮短至4分31秒；在CT方面，利用前沿空洞卷積和邊緣檢測算子技術優化低劑量掃描，在保證CT圖像質量的同時降低輻射劑量。
除了在設備端，研究院還將AI拓展至專病領域，將AI整合到急性缺血卒中圖像分析。東軟開發的NeuBrain care軟件可以自動分析完成腦卒中灌注影像，得出缺血半暗帶和梗死灶的核心定量指標，提高腦卒中患者救治效率，目前該產品已經搭載在東軟影像雲上。
新冠肺炎爆發後，東軟研發了全流程一體化快速AI篩查系統“火眼AI”，設計基於3D和2D混合卷積網絡對病灶分割，再結合已有肺葉分割模型，實現對肺炎病灶定量分析。楊明雷介紹到，該方案結合採取了本地化和雲平臺兩種部署方式，既可以直接在東軟後處理工作站AVW升級，也可以搭載在東軟智能醫學影像雲平臺NewMiva。
目前，國際上已經相繼研發出區分新冠肺炎和流感的“篩查區分模型”、幫助醫生評估影像疾病發展的“病灶衡量模型”、臨床信息建立的“預後分析模型”。楊明雷博士對這些成果一一進行了分享與講解。
以下為楊明雷分享內容節選，雷鋒網做了不改變原意的編輯。
東軟醫療去年成立人工智能與臨床創新研究院，目標是構建成像源頭的AI平臺，用AI來賦能全線醫學影像設備，如MR、CT、DSA、US等。
通過開展專科化疾病前沿臨床應用研究，解決腦卒中、心血管、肺癌、慢阻肺等疾病臨床診療的痛點問題；同時通過與業內專家、醫院、上下游廠商等建立廣泛的科研合作，幫助提升臨床診療水平和科研水平。
得益於高性能並行計算能力和神經網絡算法的創新，以及深度學習在大數據上的優秀表現，深度學習不僅在自動駕駛、智能翻譯等多個容易獲取大數據的生活領域得到了非常充分的應用，在醫學影像領域也進行了很多應用探索。
完整醫學影像鏈條分為兩個環節：獲得數據和使用數據
獲得數據是以設備為核心，放射醫生或者技師需要以較快的速度獲取患者的高質量影像，在掃描過程中要 保證患者以及設備操作者的安全，同時要儘量讓影像掃描流程簡易、流暢，減少或者改進其中不必要的、且對人依賴程度較高的環節，而且還要保持影像設備在長時間工作運行中性能的穩定，儘量避免出現故障。
獲得數據之後，更關鍵的是如何使用數據。獲取影像的最終目的是來幫助醫生對患者進行疾病診斷和治療，所以影像使用以掃描的部位或者患者疾病為核心進行展開，利用傳統、AI等圖像處理技術，甚至結合更多維度的臨床信息進行影像分析、挖掘豐富的信息幫助醫生對疾病進行診斷、治療決策、隨訪評估、輔助導航等。
人工智能可以參與到上述所有的影像應用環節，提供更豐富的信息、更智能的處理、更便捷的操作等。
東軟醫療作為影像設備公司，依託設備積累優勢，設計和研發從源頭的全鏈條人工智能影像解決方案。
東軟醫療在影像設備端AI應用開發
首先我們要知道，影像設備端目前存在哪些痛點問題，這些痛點可以從兩個角度去理解。
1.數據採集和成像
醫學影像設備有很多類別，包括磁共振、x射線類、伽馬射線類以及超聲設備。
MRI成像設備擁有很強軟組織對比度，在神經影像領域應用廣泛，侷限是掃描時間長，成像速度慢，雖然有很多加速方法，但都存在各自的問題。
x射線成像類，如CT、DR、DSA等，是臨床使用最廣泛的成像設備。但問題是，x線對人體是有損傷，長時間暴露在X射線下會對人體產生不可逆危害。
伽馬射線成像，如PET。但問題是PET掃描時間長，在掃描時需要口服或注射放射性核素，對人類存在一定危害性。
超聲設備是目前最安全、最廉價的成像設備。超聲問題在於波長相對較長，容易受空氣、骨骼影響，獲取的圖像中通常存在雜波噪聲。而且不同於 CT或MRI，超聲成像的掃描層面角度隨意，依賴技師掃描手法，對技師經驗要求高。
2.掃描工作流程
在CT和MRI掃描過程中，患者進入掃描間之後，需要在技師或者護士的指導下，躺到掃描床上，擺好合適待掃描姿勢，技師根據每一個患者躺的姿勢、躺的位姿來調整掃描床深度和高度，隨後需要先掃描定位像，在定位像上去定義所要掃描的解剖結構，然後選擇一個合適的FOV，再開始後續的掃描工作。
患者擺位和FOV選擇嚴重依賴於技師或者護士的操作，有很強的主觀依賴性，帶來的一個副作用是，即便是同一個醫院同一臺設備，多次掃描得到的圖像可能都會存在一定的太一致。另外，完成圖像掃描和重建後，技師或醫生經常會需要對一個患者的可能是幾百張圖像進行逐一檢查，來確保圖像質量滿足後續診斷需求。
AI如何讓成像速度更快MRI最大的問題是慢，分為兩個層面：一是掃描慢，二是重建慢。
目前主要的MRI加速成像技術大都是通過在K空間降採樣減少採樣時間，這樣就能夠顯著地加快成像速度，但是在k空間降採樣必然會帶來圖像質量的損失。
科學家們提出了多種方法，在降採樣同時能夠實現圖像質量的不損失或低損失，最常用的是並行成像和壓縮感知成像方法。
並行成像是通過已知位置和敏感度接收線圈實現相位編碼次數減少，從而提升圖像的掃描速度，但不可避免地帶來圖像對比度下降。
在人工智能成為大家關注熱點之後，有研究者很快就想到是否能用人工智能技術去改進這些成像技術，來實現k空間降採樣圖像的高質量重建。比如這一篇文章提出的deepcomplexMRI方法，它也是對k空間降採數據重建。
如果直接使用端到端卷積模型模型訓練，很難得到立項的結果，所以deepcomplexMRI設計針對虛部和實部的卷積模塊實現MR信息重建，為了保證圖像真實性，每卷積層後都加數據保真層，用來自k空間真實採樣點的數據填補到重建得到的MR影像對應位置上，從而保證圖像質量真實性。
另一種比較優秀的加速成像技術是壓縮感知成像。（未完待續）
欲閱讀本文剩餘的2/3內容：
閱讀更多 AI掘金志 的文章
