2019年G狀病毒(COVID-19)正在蔓延。醫(yī)學(xué)成像，如X光和計算機斷層掃描(CT)在對抗COVID-19中發(fā)揮了重要作用，而近出現(xiàn)的人工智能(AI)技術(shù)進一步加強了成像工具的力量。人工智能技術(shù)支持的圖像采集可以顯著幫助掃描過程實現(xiàn)自動化，還可以重塑工作流程，大限度地減少與患者的接觸，為成像技術(shù)人員提供佳保護。此外，人工智能技術(shù)可以通過在X光和CT圖像中準確描繪感染來提G工作效率，便于后續(xù)的量化。近期IEEE Reviews in Biomedical Engineering刊登了“Reviewof Artificial Intelligence Techniques in Imaging Data Acquisition, Segmentation and Diagnosis for COVID-19”的綜述論文，對比說明AI成像工作流在醫(yī)學(xué)影像中的優(yōu)勢，針對COVID-19具體介紹了AI在數(shù)據(jù)采集、分割和診斷中的應(yīng)用，后提出AI在醫(yī)學(xué)影像應(yīng)用上存在的問題和展望。

1、AI成像工作流在醫(yī)學(xué)影像中的優(yōu)勢

傳統(tǒng)成像工作流程：胸部X光和CT廣泛用于COVID-19 的篩查和診斷。在COVID-19大流行期間，采用非接觸式自動圖像采集工作流程以避免感染的嚴重風(fēng)險非常重要。然而，傳統(tǒng)的成像工作流程包括技術(shù)人員和患者之間不可避免的接觸。特別地，在患者定位中，技術(shù)人員先根據(jù)給定的方案幫助患者擺姿勢，隨后在視覺上識別患者身上的目標(biāo)身體部位位置，并手動調(diào)整患者和X射線管之間的相對位置和姿勢。這一過程使技術(shù)人員與患者密切接觸，導(dǎo)致病毒暴露的G風(fēng)險。因此，需要非接觸式和自動化的成像工作流程來小化接觸。

人工智能成像工作流程：許多現(xiàn)代的X光和CT系統(tǒng)都配備了用于病人監(jiān)護的攝像機。在COVID-19爆發(fā)期間，這些設(shè)備促進了非接觸掃描工作流程的實施。技術(shù)人員可以通過攝像機的實時視頻流從控制室監(jiān)控病人。在這種情況下，人工智能能夠通過從視覺傳感器獲取的數(shù)據(jù)中識別患者的姿勢和形狀來自動執(zhí)行操作，以確定佳掃描參數(shù)。這樣的自動化工作流程可以顯著提G掃描效率并減少不必要的輻射暴露。一個顯著的例子是基于由可視人工智能技術(shù)支持的移動CT平臺自動掃描工作流，如圖1(a)所示。移動平臺完全d立，帶有基于人工智能的預(yù)掃描和診斷系統(tǒng)。它被重新設(shè)計成一個完全隔離的掃描室和控制室，以避免技術(shù)人員和患者之間不必要的互動。進入掃描室后，通過視覺和聽覺提示，指示患者在病床上擺好姿勢(圖1(b))。技術(shù)人員可以通過窗戶觀察，也可以通過掃描室內(nèi)安裝在天花板上的人工智能攝像機傳輸?shù)膶崟r視頻，并在必要時校正病人的姿勢(圖1(c))。患者定位算法將從用照相機[1]捕獲的圖像中自動恢復(fù)患者的3D姿態(tài)和完全重建的網(wǎng)格。基于3D網(wǎng)格，患者目標(biāo)身體部分的掃描范圍和3D中心線都被估計并轉(zhuǎn)換成控制信號和優(yōu)化的掃描參數(shù)，以供技術(shù)人員驗證。一旦核實，病床將自動對準ISO中心，并移入掃描架進行掃描。采集到CT圖像后，將對其進行處理和分析，以便進行篩查和診斷。2、AI圖像增強在COVID-19中的具體應(yīng)用

AI圖像處理在COVID-19治療中具體作用在于：針對提供的圖像材料（形式可以是CT，X光），利用機器學(xué)習(xí)算法對圖像進行處理，給出1.劃分出肺部區(qū)域和損傷區(qū)域；2.診斷是否為新G肺炎患者；3.提供有助于醫(yī)護人員作治療方案決策的量化參數(shù)。

2.1 區(qū)域劃分

此環(huán)節(jié)的作用在于，對疑似患者肺部區(qū)域拍攝而得到的圖像進行預(yù)處理，以提供后續(xù)操作。實施層面，此環(huán)節(jié)包含兩部分工作：肺部區(qū)域劃分和損傷區(qū)域。表1是一些圖像劃分在COVID-19應(yīng)用中的研究匯總。

表1 圖像劃分在COVID-19中的應(yīng)用

以肺區(qū)域為導(dǎo)向的方法旨在將肺區(qū)域，即整個肺和肺葉，與CT或X射線中的其他（背景）區(qū)域分開，這被認為是一個必要的步驟，在COVID-19的篩查中[3-10]。例如，Jin等人[2]提出了一種用于CT圖像中COVID-19篩查的兩J管道，其中整個肺區(qū)域先由一個基于UNet++的分割網(wǎng)絡(luò)有效分割出來。

 

以面向肺損傷的方法旨在將肺中的病變（或金屬和運動偽影）從肺區(qū)分離出來。因為病變或結(jié)節(jié)可能很小，有多種形狀和紋理，定位病變或結(jié)節(jié)的區(qū)域是必需的，通常被認為是一項具有挑戰(zhàn)性的檢測任務(wù)。值得注意的是，除了分割外，在篩選中，注意機制也被認為是有效的定位方法。

 

2.2 COVID-19的診斷

對COVID-19的診斷本質(zhì)上是一個分類問題，通常的分類結(jié)果有三：非肺炎，非新G肺炎和新G肺炎。表2是一些COVID-19的分類研究。

納林等人[11]提出了三種不同的深度學(xué)習(xí)模型，即ResNet50、InceptionV3和Inception-ResNetV2，以檢測X射線圖像中的COVID-19感染情況。值得注意的是，在本研究中，ID-19數(shù)據(jù)集[12]和Kaggle的胸部X射線圖像（肺炎）也被用來形成數(shù)據(jù)集。50例COVID-19患者的胸部X線圖像和50例正常胸部X線圖像。評價結(jié)果表明，ResNet50模型具有G的分類性能，準確率為98.0%，而InceptionV3的準確率為97.0%，Inception-ResNetV2的準確率為87%。

 

2.3 量化參數(shù)

由于目前的大部分工作集中在COVID-19的預(yù)診斷上，我們注意到研究COVID-19的后續(xù)工作仍然非常有限。只有很少的嘗試，據(jù)我們所知。例如，上海聯(lián)合成像智能(UII)的研究人員試圖使用基于機器學(xué)習(xí)的方法和可視化技術(shù)來演示變化患者感染區(qū)域的體積大小、密度等臨床相關(guān)因素。之后，將自動生成臨床報告，以將這些變化作為數(shù)據(jù)反映出來由臨床專家驅(qū)動的指導(dǎo)，以確定以下程序，見圖2。

 

3、問題和展望

數(shù)據(jù)收集是COVID-19應(yīng)用程序開發(fā)機器學(xué)習(xí)方法的步。盡管有大量的公共CT或X射線數(shù)據(jù)集用于肺部疾病，但X射線和CT掃描對COVID-19的應(yīng)用目前都還不廣泛，這阻礙了人工智能方法的研究和發(fā)展。Cohen等人從網(wǎng)站和出版物收集醫(yī)學(xué)圖像來創(chuàng)建COVID-19圖像數(shù)據(jù)收集，它目前包含123個正面視圖X射線。COVID-CT數(shù)據(jù)集是從700多份關(guān)于COVID-19的medRxiv和bioRxiv的預(yù)印文獻中收集來的，包括288張確診COVID-19患者的CT切片和10例確診COVID-19病例的三維CT圖像。此外，COVID-19CT分割數(shù)據(jù)集還包含來自60例患者的100個軸向CT切片，以JPG圖像的方式展示。可見目前限制AI于COVID-19上應(yīng)用的主要問題是缺乏大量、完整、可靠的數(shù)據(jù)集。

 

展望未來，預(yù)計將有更多的人工智能應(yīng)用程序被納入圖像采集工作流程，以提G掃描質(zhì)量、減少病人的被輻射量。例如，需要更準確的基于人工智能的自動化ISO中心和掃描范圍確定，以確保佳的圖像質(zhì)量。此外，X射線曝光參數(shù)可以通過人工智能來推斷患者的身體區(qū)域厚度，自動計算和優(yōu)化的，確保在掃描過程中使用正確的輻射量，這對于低劑量成像特別重要。

查看更多相似文章