2019年G狀病毒(COVID-19)正在蔓延。醫學(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，而出現的人工智能(AI)技術(shù)進(jìn)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(zhù)幫助掃描過(guò)程實(shí)現自動(dòng)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(guò)在X光和CT圖像中準確描繪感染來(lái)提G工作效率，便于后續的量化。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(shuō)明AI成像工作流在醫學(xué)影像中的優(yōu)勢，針對COVID-19具體介紹了AI在數據采集、分割和診斷中的應用，后提出AI在醫學(xué)影像應用上存在的問(wèn)題和展望。

1、AI成像工作流在醫學(xué)影像中的優(yōu)勢

傳統成像工作流程：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(dòng)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)人員首先根據給定的方案幫助患者擺姿勢，隨后在視覺(jué)上識別患者身上的目標身體部位位置，并手動(dòng)調整患者和X射線(xiàn)管之間的相對位置和姿勢。這一過(guò)程使技術(shù)人員與患者密切接觸，導致病毒暴露的G風(fēng)險。因此，需要非接觸式和自動(dòng)化的成像工作流程來(lái)小化接觸。

人工智能成像工作流程：許多現代的X光和CT系統都配備了用于病人監護的攝像機。在COVID-19爆發(fā)期間，這些設備促進(jìn)了非接觸掃描工作流程的實(shí)施。技術(shù)人員可以通過(guò)攝像機的實(shí)時(shí)視頻流從控制室監控病人。在這種情況下，人工智能能夠通過(guò)從視覺(jué)傳感器獲取的數據中識別患者的姿勢和形狀來(lái)自動(dòng)執行操作，以確定佳掃描參數。這樣的自動(dòng)化工作流程可以顯著(zhù)提G掃描效率并減少不必要的輻射暴露。一個(gè)顯著(zhù)的例子是基于由可視人工智能技術(shù)支持的移動(dòng)CT平臺自動(dòng)掃描工作流，如圖1(a)所示。移動(dòng)平臺完全獨立，帶有基于人工智能的預掃描和診斷系統。它被重新設計成一個(gè)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(dòng)。進(jìn)入掃描室后，通過(guò)視覺(jué)和聽(tīng)覺(jué)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(guò)窗戶(hù)觀(guān)察，也可以通過(guò)掃描室內安裝在天花板上的人工智能攝像機傳輸的實(shí)時(shí)視頻，并在必要時(shí)校正病人的姿勢(圖1(c))�；颊叨ㄎ凰惴▽�從用照相機[1]捕獲的圖像中自動(dòng)恢復患者的3D姿態(tài)和完全重建的網(wǎng)格�；�于3D網(wǎng)格，患者目標身體部分的掃描范圍和3D中心線(xiàn)都被估計并轉換成控制信號和優(yōu)化的掃描參數，以供技術(shù)人員驗證。一旦核實(shí)，病床將自動(dòng)對準ISO中心，并移入掃描架進(jìn)行掃描。采集到CT圖像后，將對其進(jìn)行處理和分析，以便進(jìn)行篩查和診斷。2、AI圖像增強在COVID-19中的具體應用

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)習算法對圖像進(jìn)行處理，給出1.劃分出肺部區域和損傷區域；2.診斷是否為新G肺炎患者；3.提供有助于醫護人員作治療方案決策的量化參數。

2.1 區域劃分

此環(huán)節的作用在于，對疑似患者肺部區域拍攝而得到的圖像進(jìn)行預處理，以提供后續操作。實(shí)施層面，此環(huán)節包含兩部分工作：肺部區域劃分和損傷區域。表1是一些圖像劃分在COVID-19應用中的研究匯總。

表1 圖像劃分在COVID-19中的應用

以肺區域為導向的方法旨在將肺區域，即整個(gè)肺和肺葉，與CT或X射線(xiàn)中的其他（背景）區域分開(kāi)，這被認為是一個(gè)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篩查的兩級管道，其中整個(gè)肺區域首先由一個(gè)基于UNet++的分割網(wǎng)絡(luò )有效分割出來(lái)。

 

以面向肺損傷的方法旨在將肺中的病變（或金屬和運動(dòng)偽影）從肺區分離出來(lái)。因為病變或結節可能很小，有多種形狀和紋理，定位病變或結節的區域是必需的，通常被認為是一項具有挑戰性的檢測任務(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(gè)分類(lèi)問(wèn)題，通常的分類(lèi)結果有三：非肺炎，非新G肺炎和新G肺炎。表2是一些COVID-19的分類(lèi)研究。

納林等人[11]提出了三種不同的深度學(xué)習模型，即ResNet50、InceptionV3和Inception-ResNetV2，以檢測X射線(xiàn)圖像中的COVID-19感染情況。值得注意的是，在本研究中，ID-19數據集[12]和Kaggle的胸部X射線(xiàn)圖像（肺炎）也被用來(lái)形成數據集。50例COVID-19患者的胸部X線(xiàn)圖像和50例正常胸部X線(xiàn)圖像。評價(jià)結果表明，ResNet50模型具有G的分類(lèi)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

由于目前的大部分工作集中在COVID-19的預診斷上，我們注意到研究COVID-19的后續工作仍然非常有限。只有很少的嘗試，據我們所知。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)習的方法和可視化技術(shù)來(lái)演示變化患者感染區域的體積大小、密度等臨床相關(guān)因素。之后，將自動(dòng)生成臨床報告，以將這些變化作為數據反映出來(lái)由臨床專(zhuān)家驅動(dòng)的指導，以確定以下程序，見(jiàn)圖2。

 

3、問(wèn)題和展望

數據收集是COVID-19應用程序開(kāi)發(fā)機器學(xué)習方法的D一步。盡管有大量的公共CT或X射線(xiàn)數據集用于肺部疾病，但X射線(xiàn)和CT掃描對COVID-19的應用目前都還不廣泛，這阻礙了人工智能方法的研究和發(fā)展。Cohen等人從網(wǎng)站和出版物收集醫學(xué)圖像來(lái)創(chuàng )建COVID-19圖像數據收集，它目前包含123個(gè)正面視圖X射線(xiàn)。COVID-CT數據集是從700多份關(guān)于COVID-19的medRxiv和bioRxiv的預印文獻中收集來(lái)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分割數據集還包含來(lái)自60例患者的100個(gè)軸向CT切片，以JPG圖像的方式展示�？梢�(jiàn)目前限制AI于COVID-19上應用的主要問(wèn)題是缺乏大量、完整、可靠的數據集。

 

展望未來(lái)，預計將有更多的人工智能應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(dòng)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(xiàn)曝光參數可以通過(guò)人工智能來(lái)推斷患者的身體區域厚度，自動(dòng)計算和優(yōu)化的，確保在掃描過(guò)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