医学影像诊断及介入式手术的人工智能应用

上个世纪60年代就有一些利用计算机来诊断骨肿瘤的研究应用。但是这些研究都不够成功。最早大规模的关于计算机处理医学图像的研究是上个世纪80年代，起源于芝加哥大学的Kurt Rossmann实验室。那时Kunio Doi教授带领这个实验室开始利用数字化的医学图像来提高诊断精度［1］。这些课题涉及血管成像，肺癌X线的检测(Maryellen Giger)及乳腺X线钙化点的检测（Heang-Ping Chan）等。Maryellen Giger教授后来成为芝加哥大学放射科计算机辅助检测/诊断(computer-aided detection/diagnosis,CAD)研究的领头人，而Heang-Ping Chan教授则在密歇根大学把CAD研究推向深入。这些计算机诊断的研究主要是模拟放射科医生诊断和检测的过程，同时研究为什么有些肿瘤会被漏诊。基于计算机的辅助诊断的核心是计算机自动找到可疑肿瘤区域或者计算机给指定的区域评出可疑程度（良恶性诊断）。

基于卷积神经网络和多信息融合的三维乳腺超声分类方法

乳腺肿瘤超声图像的自动分类对于提高医生的工作效率和降低漏诊率具有十分重要的意义。新型的三维乳腺超声数据包含更多的可用于诊断的信息,但由于超声成像机理导致不同方向上的图像表现不同。针对该种乳腺超声数据,利用卷积神经网络结构的灵活性和自动学习的特性,提出3种改进的卷积神经网络模型,使其分别可以接受横截面图像输入、横截面和冠状面的双图像输入、图像和文本信息同时输入,并研究不同信息的融合对于提升乳腺肿瘤自动分类准确率的影响。在研究中,采用880幅图像(良性401幅,恶性479幅)及其标注信息进行5折交叉验证实验,得到各模型的准确率及AUC。实验结果表明,设计的模型可以适应图片与文本信息的输入,多信息融合的模型比只接受图像输入的模型准确率提升2.91%,达到75.11%的准确率和0.829 4的AUC。这些模型的提出,为多信息融合的卷积神经网络分类应用提供参考。