从设备角度看待，AI影像的实践路径和特殊性。
近期，雷锋网AI掘金志邀请东软医疗人工智能与临床创新研究院总监杨明雷博士，做客雷锋网公开课，以“成像端及专科化疾病方向AI的研究与应用”为题进行，集中梳理了东软医疗在不同的设备端、不同专科疾病上的技术干货。
本节视频回放，将在明天中午12点推送公开课微信群，请在公众号 医健AI掘金志 后台，回复关键词“听课”，进群收看
自去年成立以来，东软医疗AI创新研究院率先将AI技术应用于设备端，并且大幅提升成像的质量和速度。
杨明雷表示，在MR方面，在AI技术的加持下，东软医疗的头部成像技术Smart BrainQuant可以将扫描时间从69分钟缩短至4分31秒；在CT方面，利用前沿空洞卷积和边缘检测算子技术优化低剂量扫描，在保证CT图像质量的同时降低辐射剂量。
除了在设备端，研究院还将AI拓展至专病领域，将AI整合到急性缺血卒中图像分析。东软开发的NeuBrain care软件可以自动分析完成脑卒中灌注影像，得出缺血半暗带和梗死灶的核心定量指标，提高脑卒中患者救治效率，目前该产品已经搭载在东软影像云上。
新冠肺炎爆发后，东软研发了全流程一体化快速AI筛查系统“火眼AI”，设计基于3D和2D混合卷积网络对病灶分割，再结合已有肺叶分割模型，实现对肺炎病灶定量分析。杨明雷介绍到，该方案结合采取了本地化和云平台两种部署方式，既可以直接在东软后处理工作站AVW升级，也可以搭载在东软智能医学影像云平台NewMiva。
目前，国际上已经相继研发出区分新冠肺炎和流感的“筛查区分模型”、帮助医生评估影像疾病发展的“病灶衡量模型”、临床信息建立的“预后分析模型”。杨明雷博士对这些成果一一进行了分享与讲解。
以下为杨明雷分享内容节选，雷锋网做了不改变原意的编辑。
东软医疗去年成立人工智能与临床创新研究院，目标是构建成像源头的AI平台，用AI来赋能全线医学影像设备，如MR、CT、DSA、US等。
通过开展专科化疾病前沿临床应用研究，解决脑卒中、心血管、肺癌、慢阻肺等疾病临床诊疗的痛点问题；同时通过与业内专家、医院、上下游厂商等建立广泛的科研合作，帮助提升临床诊疗水平和科研水平。
得益于高性能并行计算能力和神经网络算法的创新，以及深度学习在大数据上的优秀表现，深度学习不仅在自动驾驶、智能翻译等多个容易获取大数据的生活领域得到了非常充分的应用，在医学影像领域也进行了很多应用探索。
完整医学影像链条分为两个环节：获得数据和使用数据
获得数据是以设备为核心，放射医生或者技师需要以较快的速度获取患者的高质量影像，在扫描过程中要 保证患者以及设备操作者的安全，同时要尽量让影像扫描流程简易、流畅，减少或者改进其中不必要的、且对人依赖程度较高的环节，而且还要保持影像设备在长时间工作运行中性能的稳定，尽量避免出现故障。
获得数据之后，更关键的是如何使用数据。获取影像的最终目的是来帮助医生对患者进行疾病诊断和治疗，所以影像使用以扫描的部位或者患者疾病为核心进行展开，利用传统、AI等图像处理技术，甚至结合更多维度的临床信息进行影像分析、挖掘丰富的信息帮助医生对疾病进行诊断、治疗决策、随访评估、辅助导航等。
人工智能可以参与到上述所有的影像应用环节，提供更丰富的信息、更智能的处理、更便捷的操作等。
东软医疗作为影像设备公司，依托设备积累优势，设计和研发从源头的全链条人工智能影像解决方案。
东软医疗在影像设备端AI应用开发
首先我们要知道，影像设备端目前存在哪些痛点问题，这些痛点可以从两个角度去理解。
1.数据采集和成像
医学影像设备有很多类别，包括磁共振、x射线类、伽马射线类以及超声设备。
MRI成像设备拥有很强软组织对比度，在神经影像领域应用广泛，局限是扫描时间长，成像速度慢，虽然有很多加速方法，但都存在各自的问题。
x射线成像类，如CT、DR、DSA等，是临床使用最广泛的成像设备。但问题是，x线对人体是有损伤，长时间暴露在X射线下会对人体产生不可逆危害。
伽马射线成像，如PET。但问题是PET扫描时间长，在扫描时需要口服或注射放射性核素，对人类存在一定危害性。
超声设备是目前最安全、最廉价的成像设备。超声问题在于波长相对较长，容易受空气、骨骼影响，获取的图像中通常存在杂波噪声。而且不同于 CT或MRI，超声成像的扫描层面角度随意，依赖技师扫描手法，对技师经验要求高。
2.扫描工作流程
在CT和MRI扫描过程中，患者进入扫描间之后，需要在技师或者护士的指导下，躺到扫描床上，摆好合适待扫描姿势，技师根据每一个患者躺的姿势、躺的位姿来调整扫描床深度和高度，随后需要先扫描定位像，在定位像上去定义所要扫描的解剖结构，然后选择一个合适的FOV，再开始后续的扫描工作。
患者摆位和FOV选择严重依赖于技师或者护士的操作，有很强的主观依赖性，带来的一个副作用是，即便是同一个医院同一台设备，多次扫描得到的图像可能都会存在一定的太一致。另外，完成图像扫描和重建后，技师或医生经常会需要对一个患者的可能是几百张图像进行逐一检查，来确保图像质量满足后续诊断需求。
AI如何让成像速度更快MRI最大的问题是慢，分为两个层面：一是扫描慢，二是重建慢。
目前主要的MRI加速成像技术大都是通过在K空间降采样减少采样时间，这样就能够显著地加快成像速度，但是在k空间降采样必然会带来图像质量的损失。
科学家们提出了多种方法，在降采样同时能够实现图像质量的不损失或低损失，最常用的是并行成像和压缩感知成像方法。
并行成像是通过已知位置和敏感度接收线圈实现相位编码次数减少，从而提升图像的扫描速度，但不可避免地带来图像对比度下降。
在人工智能成为大家关注热点之后，有研究者很快就想到是否能用人工智能技术去改进这些成像技术，来实现k空间降采样图像的高质量重建。比如这一篇文章提出的deepcomplexMRI方法，它也是对k空间降采数据重建。
如果直接使用端到端卷积模型模型训练，很难得到立项的结果，所以deepcomplexMRI设计针对虚部和实部的卷积模块实现MR信息重建，为了保证图像真实性，每卷积层后都加数据保真层，用来自k空间真实采样点的数据填补到重建得到的MR影像对应位置上，从而保证图像质量真实性。
另一种比较优秀的加速成像技术是压缩感知成像。（未完待续）
欲阅读本文剩余的2/3内容：
閱讀更多 AI掘金志 的文章
