AI医学影像三大技术实战、优劣、经验及发展

这是AI掘金志的第二个讲座，美女CEO

简介如下：

授课目录：1.医疗影像AI的发展状况以及我们可以怎么做

2.医疗影像应用的深度学习解决方案

3.分类网络在医疗影像中的应用及拓展

4图像切割在医疗影像中的应用及拓展

----------------------------------------------------------------------------------------------------------

1.

这部分就是概括一下AI的作用

2.医疗影像应用的深度学习解决方案

复习：医疗影像类型

    1.    放射性影像：X光、CT、MRI、OCT（光学断层相干检查，主要用于眼科的眼底病的检查）

    2.超声检测（实时查看，不利于图像的存储）

    3.病理检测（图片超大）

    4.内窥镜检测

    5.高倍拍照：眼底、皮肤

举例：黄斑的分类

应用深度

3.分类网络在医疗影像中的应用及拓展

主要包括分类网络

我们可以在上述网络中了解并且实现。

这部分讲解了三个案例

    1.   眼底等级判读

        谷歌的眼底分类网络 

训练这个网络 使用的数据量非常大，包括128000张图像，其中，每一张图像都得到了54位眼科医生中3到7位医生的评估。这同样也会产生一个问题，就是医生的不一致程度高。如下图所示：

不同的颜色块代表疾病的不同程度，如果所有医生判断的一致性越高，那么一行的数据就越相同。

这个例子所用的数据量很大，可以直接训练。但如果数据集稍微小一点，可以用迁移学习。

基于Resnet和InceptionV3均可以迁移+Finetune

训练技巧：根据样本的复杂度选择锁层数量

2.X光及关注区域的获取

CAM网络（class activation mapping）可以用在无监督的情况下判断影像分类的区域。

    方案要点：构成原理类似FCN网络，优势在于无监督，但在结论不够精确

    训练：需要预训练

    前提：需要物体相对明确。

如果数据是直接从医院拿过来的，那么多半是只有分类标签，而没有其他的标注，这种时候就可以尝试CAM方法。

3.sliding window病理切片的区域判读

 病理切片的特点：

    1.大尺寸，确保足量够切

    2.相似性，不太具有contexture(上下文关系)

应用方案：sliding window+分类网络

实操要点：数据处理、multi-scale、置信区间、后期降噪

4图像切割在医疗影像中的应用及拓展

主流做法：编码解码结构

    孔洞卷积（事实证明很有用）

    条件随机场

常用的网络如：

分割主流网络：unet（属于FCN网络）

是首个 应用于医学案例，也是深度学习用于图像切割早期重要论文。

最新进展：

 *大内核：解决FCN同时多个问题切分的问题

*PSPnet：整合全局信息

*MaskRCNN：整合物体识别的优势和方法

优缺点：适用于有明确边缘的组织和病灶；缺点是标记难拿，数量不足，病灶类别不平衡

应用案例：

案例一：标注FCN网络

论文;

优点：基于整图的学习识别、速度快；不足：局部特征提取精度不足，微小病灶难以识别

案例二：

切片+跨越式结构+FCN(肽积木)

GAN网络

适用于各类生成、转化、在医疗领域应用似乎有限，但比较火

医疗领域的应用场景：

图像切割：标记生成

增强样本：可多提供一些数据，强化结果等

切割案例：

合成病灶：生成假的肺结节