2019年G狀病毒(COVID-19)正在蔓延。醫學成像，如X光和計算機斷層掃描(CT)在對抗COVID-19中發揮了重要作用，而出現的人工智能(AI)技術進一步加強了成像工具的力量。人工智能技術支持的圖像采集可以顯著幫助掃描過程實現自動化，還可以重塑工作流程，大限度地減少與患者的接觸，為成像技術人員提供佳保護。此外，人工智能技術可以通過在X光和CT圖像中準確描繪感染來提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，對比說明AI成像工作流在醫學影像中的優勢，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在醫學影像應用上存在的問題和展望。

1、AI成像工作流在醫學影像中的優勢

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，采用非接觸式自動圖像采集工作流程以避免感染的嚴重風險非常重要。然而，傳統的成像工作流程包括技術人員和患者之間不可避免的接觸。特別地，在患者定位中，技術人員首先根據給定的方案幫助患者擺姿勢，隨后在視覺上識別患者身上的目標身體部位位置，并手動調整患者和X射線管之間的相對位置和姿勢。這一過程使技術人員與患者密切接觸，導致病毒暴露的G風險。因此，需要非接觸式和自動化的成像工作流程來小化接觸。

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爆發期間，這些設備促進了非接觸掃描工作流程的實施。技術人員可以通過攝像機的實時視頻流從控制室監控病人。在這種情況下，人工智能能夠通過從視覺傳感器獲取的數據中識別患者的姿勢和形狀來自動執行操作，以確定佳掃描參數。這樣的自動化工作流程可以顯著提G掃描效率并減少不必要的輻射暴露。一個顯著的例子是基于由可視人工智能技術支持的移動CT平臺自動掃描工作流，如圖1(a)所示。移動平臺完全獨立，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完全隔離的掃描室和控制室，以避免技術人員和患者之間不必要的互動。進入掃描室后，通過視覺和聽覺提示，指示患者在病床上擺好姿勢(圖1(b))。技術人員可以通過窗戶觀察，也可以通過掃描室內安裝在天花板上的人工智能攝像機傳輸的實時視頻，并在必要時校正病人的姿勢(圖1(c))。患者定位算法將從用照相機[1]捕獲的圖像中自動恢復患者的3D姿態和完全重建的網格。基于3D網格，患者目標身體部分的掃描范圍和3D中心線都被估計并轉換成控制信號和優化的掃描參數，以供技術人員驗證。一旦核實，病床將自動對準ISO中心，并移入掃描架進行掃描。采集到CT圖像后，將對其進行處理和分析，以便進行篩查和診斷。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），利用機器學習算法對圖像進行處理，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

此環節的作用在于，對疑似患者肺部區域拍攝而得到的圖像進行預處理，以提供后續操作。實施層面，此環節包含兩部分工作：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，即整個肺和肺葉，與CT或X射線中的其他（背景）區域分開，這被認為是一個必要的步驟，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，其中整個肺區域首先由一個基于UNet++的分割網絡有效分割出來。

 

以面向肺損傷的方法旨在將肺中的病變（或金屬和運動偽影）從肺區分離出來。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。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的診斷本質上是一個分類問題，通常的分類結果有三：非肺炎，非新G肺炎和新G肺炎。表2是一些COVID-19的分類研究。

納林等人[11]提出了三種不同的深度學習模型，即ResNet50、InceptionV3和Inception-ResNetV2，以檢測X射線圖像中的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射線圖像（肺炎）也被用來形成數據集。50例COVID-19患者的胸部X線圖像和50例正常胸部X線圖像。評價結果表明，ResNet50模型具有G的分類性能，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，上海聯合成像智能(UII)的研究人員試圖使用基于機器學習的方法和可視化技術來演示變化患者感染區域的體積大小、密度等臨床相關因素。之后，將自動生成臨床報告，以將這些變化作為數據反映出來由臨床專家驅動的指導，以確定以下程序，見圖2。

 

3、問題和展望

數據收集是COVID-19應用程序開發機器學習方法的D一步。盡管有大量的公共CT或X射線數據集用于肺部疾病，但X射線和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展。Cohen等人從網站和出版物收集醫學圖像來創建COVID-19圖像數據收集，它目前包含123個正面視圖X射線。COVID-CT數據集是從700多份關于COVID-19的medRxiv和bioRxiv的預印文獻中收集來的，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自60例患者的100個軸向CT切片，以JPG圖像的方式展示。可見目前限制AI于COVID-19上應用的主要問題是缺乏大量、完整、可靠的數據集。

 

展望未來，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化ISO中心和掃描范圍確定，以確保佳的圖像質量。此外，X射線曝光參數可以通過人工智能來推斷患者的身體區域厚度，自動計算和優化的，確保在掃描過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