10、人工智能在医学影像中的应用与挑战

人工智能在医学影像中的应用与挑战

1. 超声成像中的人工智能

1.1 心脏周期相位识别与测量点检测

为了自动识别心脏周期相位，提出了深度残差循环神经网络（RRN）。同时，还提出了全卷积回归网络用于检测心脏中的测量点。

1.2 分割

分割解剖结构和病变是定量分析临床参数（如形状、体积等）的重要步骤。然而，由于超声图像中感兴趣对象与背景之间的对比度较低，准确分割存在挑战。而且，现有的手动分割方法繁琐、依赖个人且耗时。因此，开发基于深度学习模型的先进自动分割方法至关重要。
- 左心室分割 ：各种机器学习方法，如主动轮廓和可变形模板，已广泛用于超声心动图中左心室（LV）的成功分割。但这些方法需要关于左心室形状和外观的先验知识。最近，提出了一种基于动态卷积神经网络（CNN）的方法，用于收集多尺度信息、分割左心室、微调胎儿左心室分割以及分离左心室和左心房（LA）之间的连接区域。
- 其他解剖结构分割 ：边界不完整是医学超声图像中许多解剖结构（如前列腺、乳腺、肾脏、胎儿等）自动分割的一大挑战。各种深度学习方法（如FCN分割网络、基于ResNet的深度框架等）被提出以准确快速地完成这项任务。

1.3 3D超声分析

目前的深度学习方法仅应用于2D超声，因为在3D超声上实施存在各种限制。一些挑战包括大规模训练深度学习网络用于实际临床应用时计算成本高（需要更多内存和计算过程）以及需要更多训练样本。为此，提出了各种模型来解决这些挑战：
- FCN基于两步算法，用于全自动测量子宫内膜厚度。
- 深度学习蛇（DLS）分割模