【DICOMQA网红番】医学影像与深度学习-万达娱乐平台官网-万达娱乐平台官网

【DICOMQA网红番】医学影像与深度学习

  • 最近,DICOMQA一直都没有更新,主要是最近太忙了(好吧,这是借口,你懂得的)。其实吧,主要是写这种影像处理和传输之类的文章没啥意思,写起来枯燥,读起来无趣。没有兴趣写,看的人少,也就更新不勤了。所以,我打算写点有意思的话题,让DICOM与当下各大网红攀攀关系,赶赶时髦。

    要说最近什么最火,人工智能绝对算得上一个,各大投资机构已经在提从互联网+过渡到AI+了。而在人工智能领域之中,深度学习绝对算得上现在最火的网红了。今年三月,那场围棋界的人机大战,阿尔法狗战胜李世石,不仅仅颠覆了人们对人工智能还很遥远的错误认识,让人们看到了人工智能的巨大潜力,同时,也带火了深度学习,让深度学习从学术界走到了大众面前。深度学习,通俗地说就是一套建立深度神经网络进行机器学习的方法。利用人工神经网络进行机器学习并不是什么新的概念,几十年前已经有了,但是,也就最近几年,深度学习将机器学习推上了一个新的高潮,这很有可能是数据和技术的积累,终于达到了一次技术突破,一个新的拐点来临了。当这种技术突破在各行各业得到充分应用之后,将会给人类社会带来翻天覆地的变化。一场新的技术革命即将展开,人工智能新的时代即将来到。深度学习技术在图像识别,语音识别等领域有巨大的优势。比方说,在语言识别领域,深度学习已经被科大讯飞等商业公司大规模应用。深度学习在医学影像处理领域必定会发挥巨大作用,甚至能够完成以前做不到的事情。

    有需求吗?

    优质医疗资源不足是一个世界性难题。最近的美国大选中,特朗普天天批驳奥巴马版本"医改计划",而他拿出来的方案也未必有效。中国的医改也是困难重重,医患关系剑拔弩张,去过医院的人都知道,行医难,就医苦!每一个患者都怕碰到庸医,都想找经验丰富的医生。而培养一个经验丰富的优秀医生,至少需要十几年,甚至几十年。而且,在中国,更加讽刺的是,大量医学院的学生毕业后却换了行业!优秀医生不足的问题就更加严重了。现在,在医院,基本上就靠医生的无私付出,患者的默默忍受,艰难维持着。这个问题在现有条件下基本上是无解的!这个痛点之痛再怎么强调都不为过,因而需求也极其强烈。如果深度学习在医学影像诊断领域达到经验丰富的的临床医生的水平,这就为最终解决医疗资源不足的问题打开了一扇门。

    能实现吗?

    利用深度学习算法实现的Alpha Go打败了人类围棋高手,让我们看到了深度学习算法的强大。深度学习不仅仅可以用来下围棋。举个例子,十年前,我在实验室用微软的Speech SDK做语言识别项目,当时还仅仅是用来识别预先配置的语音命令, 要求很低了。为了提高识别率,我需要先阅读大量材料进行语音训练,然后在使用的过程中,尽量匀速地,保持相同的语调,相同的音量进行说话,即使如此,也不能保证识别出所有的语音命令。然而,几天前,老罗在锤子M1的发布会使用讯飞语音输入法,识别正确率竟然能达到98%以上。不需要用户提前训练,可以随心所欲地说,不需要去刻意改变语调语速音量,即使你带着一口浓郁的湖建口音也可以识别,这种技术的提升给人带来的是一种震撼的效果。在图像识别领域,采用深度学习的算法的人脸识别率达到99%以上,ImageNet的比赛中,深度学习算法也很领先。这一切都表明深度学习算法已经相当成熟,可以进行商业应用了。同时,业界巨头开源了大量机器学习的工具包,比方说Google的TensorFlow, Facebook的TorchNet,微软的CNTK等等,这些开源包大大降低了应用深度学习算法的难度,创业小公司也可以利用这些开源包将深度学习应用到医学影像诊断领域。另一方面,硬件厂商也没有落下,NVIDIA 、 Intel 、高通等大厂都开始发力机器学习推出各种用于深度学习的GPU芯片, Google也推出了自己的TPU芯片利用专有硬件实现深度学习。这些硬件方面性能的提升会大大提高深度学习计算的速度,进一步推动深度学习的普及。

    优势在哪?

    其实,在医学影像诊断领域,我们已经有了大量的计算机辅助诊断算法和应用,帮助医生进行辅助诊断。比方说,乳腺CAD系统,肺结节检测算法,肿瘤分割算法,肝脏分割算法,大血管提取算法等等。深度学习算法和这些已有算法相比有什么优势呢?以前,我们需要邀请大量的医学专家,针对每一种特定应用,去研究分析,然后总结出识别的大量的规则和方法,然后根据这些规则和方法,进行建模,拟合出一种数学的表达方法,也就是一种具体的算法。由于对于不同的病例,不同肿瘤,不同的组织,我们都需要一个个去研究分析,这个工作量极其之大。为了提高准确率,我们也许需要同时考虑几十个输入参数,很多时候都超出人脑的处理范围了。而且,这个算法的最后效果同时受到医学专家的配合程度以及算法工程师的抽象能力的影响,也许花了几年时间研究出的算法也并不理想。深度学习算法也许能够帮助我们摆脱这个困境。我们不再需要人工去研究规则,拟合算法;我们只需要找到大量已经标记好的图像数据,然后采用一定的方法训练深度神经网络,让深度学习帮我们进行特征提取。深度学习的本质就是通过多层非线性变换,从大数据中自动学习特征,从而替代手工设计,深层的结构使其具有极强的表达能力和学习能力,尤其擅长提取复杂的全局特征和上下文信息。深度学习的这种优势使得我们可以更好地实现上述的一些医学影像辅助诊断功能,甚至能实现以前无法实现的算法。

    多久实现?

    深度学习如此厉害,那我们是不是能马上用它来实现电脑的医学影像诊断呢?人们往往高估短期的改变,低估长期的变化。也许,这一天的到来并没有那么快。深度学习技术还要多久才能在医学影像领域得到广泛的应用呢?我预计大概至少还需要五年时间,我们才能看到广大医院大规模使用深度学习技术进行辅助的阅片。我们需要时间来积累已经标记的数据,需要等待为深度学习定制的硬件的发展,需要等待学习算法的进一步优化达到实际临床可用的地步,需要与医院的各种现有系统,流程,设备进行接口等等。

    难点在哪?

    将深度学习应用于医学影像诊断的前提是,我们需要海量的已经标记的分类影像数据。没有大数据,一切都是空谈。随着全院PACS的普及,基本上,每家医院都有几十T的历史影像数据。而且,最近国家建立了很多区域影像平台,影像数据的积累会大大加速。抛开各种隐私和各种法规不谈,通过匿名化后拿到海量的真实的医学影像数据应该不是问题。下一步,难点就是如何对这些海量数据进行分类处理,如何进行标注等等。深度学习算法中,如何利用领域知识,进行网络结构,层的设计,训练方法优化等等也是一大难点。为了达到商业应用的要求,像AlphaGo, 科大讯飞做的类似,联合其他的人工智能,机器学习方法,提高算法效率也是一大难点。

    有谁在做?

    在美国,已经有大量的创业公司利用深度学习进行医学影像分析和诊断,比较有名的有Enlitic, CureMetric, VoxelCloud等等。国内也有一些 创业公司在进行这方面的尝试,具体就不点名了。

    如何切入?

    深度学习技术在医学影像诊断领域有着广泛的应用前景。那么,切入点在哪?在哪些细分领域会首先被应用呢?大家首先想到的就是肺结节检测。不错,现在有不少的创业公司(超过十家)在利用深度学习技术进行肺结节检测。 LIDC(Lung Image Database Consortium)的官网上有大量的已经标记的肺结节数据可以用来训练神经网络,几千例已标记的的标准数据集是一个很好的开始。利用深度学习来实现肺结节检测可行性也非常高,不少初创公司已经宣称肺结节的漏检率在3%以下。不过,我觉得在医院进行推广这种应用并不容易。即使漏检率很低,如果有大量误报存在的话,医生手动去排除误报结节点也会很麻烦,这样并不能提高医生效率,导致医生不愿意使用。医生都很忙,如果新技术的推广过程中需要新增流程,或者改变现有流程都会带来巨大的阻力。深度学习可能在乳腺肿瘤计算机辅助检测领域也很有前景。乳腺肿瘤筛查在美国非常普及,而且Mamo CAD系统也被广泛使用。美国有一个家叫做R2 Technology的公司专门做Mamo CAD系统的,并且通过了FDA认证。后来,被Hologic这家生产乳腺X光机设备的公司收购了,Mamo CAD系统也就直接集成到了设备工作站中了。很多美国医院在乳腺肿瘤筛查过程中都会用到Mamo CAD系统,而且,DICOM协议中有一章专门讲Mamo CAD Structure Report, 很多乳腺工作站或者PACS系统都支持在图像上显示乳腺CAD结构化报告的结果。因此深度学习在这个细分领域切入很容易被接受,并很容易集成到现有的医生工作流程和系统之中。另外,深度学习在放疗领域也应该大有作为。在制定放疗计划的过程中,技师需要将相关的正常组织全部勾画出来,这是一个极其费时费力的过程。有的医院,为了防止技师占用TPS系统,竟然安排技师晚上加班进行勾画,对于头颈部放疗,一个病人可能需要花费一个多小时进行勾画。如果采用深度学习算法,帮助医生自动勾画正常组织,这将很大程度提高医生制作放疗计划的效率,具有巨大的市场前景。

    下载 (66.83 KB)

    2016-10-27 16:48

    • 页面作者 易昊强
    • 发布时间 2018-05-21 20:33:27

留言回复