5、人工智能在医学影像诊断中的应用与优势

人工智能在医学影像诊断中的应用与优势

1. 医学影像数据获取难题

在医学影像领域，高质量数据的获取面临诸多挑战。由于保密或隐私问题，数据通常难以获取。而且，受解剖位置、序列设置和硬件配置等因素影响，MRI的质量和对比度存在差异，这使得收集大量高质量数据变得困难。而高质量训练数据集的短缺，可能会显著影响AI/DL模型的性能。

2. AI在CT中的应用

2.1 CT图像重建

AI是CT图像重建领域的新兴技术，旨在减少辐射暴露的同时提高图像保真度。众多研究聚焦于DL在CT重建中的应用，尤其着重于减轻图像噪声。在超高分辨率CT（U - HRCT）中，更精细的探测器元件和更窄的管焦点尺寸常导致噪声水平升高。Nakamura等人的回顾性研究表明，他们的DL重建（DLR）算法能有效降低噪声并提高对比度噪声比（CNR），在低剂量情况下优于混合迭代重建（hybrid - IR）和模型迭代重建（MBIR）模型，这对低剂量CT检查十分有利。此外，DLR算法处理的超低剂量胸部CT扫描图像在基于任务的可检测性方面表现出色，解决了以往低剂量下使用迭代重建算法时低对比度可检测性的难题。

2.2 评估TBI数据的DL算法

研究人员开发了多种DL算法来评估CT图像中的创伤性脑损伤（TBI）数据：
- Jadon等人分析了卷积神经网络（CNN）架构，并开发了用于分割各种类型损伤的算法，取得了较高的Dice相似系数（DSC）。
- Kuo等人表明，在随机位置进行训练并评估滑动窗口可以有效识别脑出血。
- Guo等人设计了多视图CNN来检测小病变。
- Piçarra等人引入了BLAST - CT，这是一种用于分割和分类四种TB