中科院趙地：深度學習在 4 大超聲影像中的應用

　　中科院趙地：深度學習在 4 大超聲影像中的應用

　　2017-12-17 21:17計算機/中國移動/人類

　　

　　《未來醫療大講堂——醫學影像專題》第三期總結文：一個只給醫療AI從業者、影像科醫生、名校師生、CFDA工作人員看的系列課程。

　　註：90分鐘的視頻信息量巨大，文字僅為冰山一角，強烈建議觀看完整版視頻，請點擊閱讀原文。

　　趙地教授從深度學習的技術在人類的4大病種(臂叢神經、關節、乳腺、脂肪肝)影像中的前沿應用和大家分享了團隊的研究成果。

　　醫學影像是一個非常熱門的領域。超聲成像不僅僅是超聲儀器的小型化，還可以和移動計算、雲計算結合。在這樣的情況下，應用場景就會大大拓展。

　　趙地博士在授課過程中提到了特徵強調的概念：機器學習都要進行特徵工程的選取，再進行相關演演算法的訓練。特徵強調不需要選擇具體的特徵，研究人員可以強調某一部分的特徵，進行得到更精確的檢測結果。這個概念對於後續的深度學習演演算法的設計有非常好的作用，特別是在醫學影像分析方面。

　　嘉賓介紹

　　

　　趙地：中國科學院計算機網路信息中心（CNIC），百人計劃，副研究員

　　中國科學院計算機網路信息中心「百人計劃」趙地博士畢業於美國路易斯安娜理工大學，並在美國哥倫比亞大學和OSU從事博士后研究，在人工智慧的醫學應用工作十餘年。趙地老師帶領的腦科學計算研究課題組與NVIDIA成立「GPU教育中心」及「智慧醫療聯合實驗室」。

　　該團隊針對人類典型性疾病的早期診斷和治療展開研究，提出眾多解決方案並取得一系列成果。針對北京市乃至全國人口老齡化問題，趙地老師與首都醫科大學天壇醫院及宣武醫院合作，率先在國內開展了基於醫學領域知識及深度學習的阿爾茨海默病早期診斷的研究，承擔了北京市自然科學基金重點項目及北京市科技重大專項等多項課題。

　　同時，該課題組已與國內十幾家醫院合作，在HIV引起的認知障礙、血管性認知障礙、肺癌篩查、頸動脈超聲識別、前列腺癌智能診斷、糖網鑒別等諸多領域展開深入研究，並取得了一系列突出成果。

　　課程內容：

　　如何在醫學影像分析中應用好深度學習

　　基於深度學習的臂叢神經識別

　　基於深度學習的關節智能識別

　　基於深度學習的乳腺超聲影像分析

　　基於深度學習的脂肪肝超聲影像分析

　　以下內容節選自趙地博士課程

　　基於Segnet的臂叢神經檢測

　　

　　外科手術已經成為日常醫療過程中不可缺少的治療手段，但是隨之而來的是外科手術對病患身體與精神上的巨大創傷，特別是手術中及術后護理過程中的疼痛對病人有著極大的精神壓力。

　　因此，為了緩解術中與術后疼痛，現在廣泛使用各種麻醉方式進行鎮痛。但是這也不可避免的帶來副作用，特別是麻醉藥劑對神經系統的損害，因此為了提高麻醉效果，並且減小麻醉藥劑使用量，局部麻醉中藥劑注射部位精準度就成為關鍵。超聲設備在現代醫學檢測中有著廣泛的應用，其主要優勢有：便於移動；無創傷；價格低廉；沒有輻射。但是超聲也有缺點：解析度弱於CT；檢查結果易受醫師水平影響。

　　趙地表示，在上肢手術與術后護理中，臂叢神經阻滯是一種常用的局部麻醉方式，為了精確確定臂叢神經位置，現在廣泛應用超聲設備對神經系統進行檢測和定位。

　　由於臂叢神經超聲圖像是識別神經結構和位置的重要來源，因此超聲圖像識別準確度直接影響注射針頭或者留置導管介入，而傳統的超聲圖像識別是基於醫生或者護士的經驗，所以介入精度受到人為因素影響。

　　為了使計算機能夠模擬醫生，向醫生學習，趙地博士團隊採用直接模擬「人」的方式入手，模擬人類大腦和視覺系統機理，從而實現把醫生在治療過程中問詢，結合化驗結果，檢查和診斷結論等知識放入計算機中。

　　

　　針對介入精度受人為因素影響等問題，趙地博士團隊提出了一種基於深度學習(Deep Learning, DL) 中卷積神經網路(Convolutional Neural Network ,CNN )架構的SegNet改進模型，用該模型訓練臂叢神經超聲圖像數據，找出臂叢神經組織特徵，進行臂叢神經組織自動檢測與分割。

　　他表示，Segnet的優點是分割的精度比較高，可以輔助麻醉手術甚至是遠程醫療，缺點是運算量比較大，需要高性能的設備支撐。

　　

　　此外，趙地博士團隊的基於Segnet的臂叢神經檢測的訓練精度可以達到96%，基本滿足臨床上對於臂叢神經超聲影像分析的需求。