7、从像素到预测：探索人工智能在放射学中的作用

从像素到预测：探索人工智能在放射学中的作用

1. 引言

在当今放射学领域，“人工智能”“深度学习”和“机器学习”等术语频繁出现。现代成像技术，如多层计算机断层扫描（CT）、多参数磁共振成像（MRI）、多维超声检查（US）以及多模态或混合正电子发射断层扫描/CT（PET/CT）或PET/MRI，已经取代了传统放射学和荧光透视治疗的时代。

从这些先进成像技术获取的医学图像中提取相关、重要且可量化的信息，对于诊断、治疗规划、随访和研究而言，是一项极具挑战性的任务，甚至成为了严重的瓶颈。专家（尤其是放射科医生）的手动测量不仅耗时，还容易受到观察者间和观察者内差异的影响，从而削弱了从图像中获取数据的临床重要性。

为了在日常临床实践中实现计算机辅助成像分析，有必要为这些医学图像开发更有效、可靠且相互印证的程序，无论是自动化还是半自动化的。医学图像分析主要聚焦于量化感兴趣对象的特定几何方面，如形状、大小、对称性、体积、范围、位置等，同时也涉及评估随时间发生的解剖学（如生长、萎缩等）或形态学变化。

大量数据的存在为特定主题组内的群体分析提供了更好的机会，例如正常与异常受试者之间的差异、某些疾病发作和进展的早期标志物发现、理想治疗选择以及治疗结果预测。计算机辅助图像分析对于从成像数据中分离和分析相关信息、补充其他数据并支持后续解释至关重要。

1.1 医学图像分析的基本任务

由于存在多种独特的成像方式，大多数图像分析问题是由几个基本任务混合而成的，主要包括图像分割、图像配准和图像可视化。

1.1.1 图像分割

图像分割是指识别图像中感兴趣对象的边界，例如区分属于特定对象的图像体素和属于其他对象