《生物医学图像处理》课程报告

1．医学成像领域的发展研究现状与分析，试结合课程内容进行调研分析与阐述。

生物医学成像与图像处理是将生物学、医学、信息科学、计算机技术相融合的交叉边缘学科。它是生物医学工程学科的一个分支，包括生物医学信息处理技术、生物医学图像处理与分析等，是生物医学工程领域中发展最迅速的学科方向之一，也是计算机技术发展的一个新的增长点。其中，生物医学信息学指生物医学信息的获取、处理、存储、分发、分析与解释等内容,以信息学、信息管理和信息技术为依托，综合运用数学、计算机科学、生物学和医学等工具，以阐明和理解大量数据所包含的生物医学意义，用于生物信息识别、医学决策和管理等。生物医学图像处理技术是利用计算机的软、硬件将图像数字化后进行采集、显示、存储和传输，以及将二维图像加工、将二维图像转化为三维图像，对动态图像进行编辑处理，涉及图像分析、识别、分割、解释、分类以及三维重建与显示等方面，目的是增强或提取图像的特征信息，对图像中感兴趣的特定区域进行标定和测量，获取它们的客观信息，从而进行辅助诊断或指导医生进行治疗。
1.1 医学成像技术发展路径
1.2 医疗影像设备分类及应用场景
在目前的医学检测手段中，医学影像数据占据了90%的医疗信息，是疾病筛查和诊治最主要的信息来源，也是辅助临床疾病诊疗的重要手段。目前医学影像的设备可以分为大型影像诊断设备和其他影像诊断设备。其中大型设备主要有数字X线摄影（DR）、计算机断层扫描（CT）、核磁共振（MRI）和核医学类（PET及复合类PET-CT、PET-MRI等），小型的影像诊断设备包括超声和内镜等。根据成像原理的不同，各种设备在临床的上的应用也不相同。各类医学影像设备的特点及应用场景如下表显示：

1.3 医疗影像产业的发展趋势
从技术的层面来看，医学影像设备的总体趋势是向更清晰、更快速、更便捷、更安全、更智能的方向发展。因此国内的企业在提升硬件设计制造技术，补全和加强影像设备产业链上下游，提升自主率的同时也要注重诊断智能化方面的发展。
以AlphaGo在围棋界取得的成绩为标志，人工智能在近几年的发展非常迅速。而医疗影像的诊断结果具有格式标准、易于获取和利用等特点，被认为是人工智能在医疗应用中可最快落地的领域之一。利用AI的感觉认知及深度学习的技术，将其应用于医疗影像领域，提高放射科医生诊断的准确率和效率，降低误诊率是医学影像产业的重要发展方向之一，也是我国医疗影像产业迎头赶上国外巨头的契机之一。随着国内政策对高端医学影像的倾斜度不断加强，从2016年开始，AI医学影像领域的热度就在不断上升，越来越多的初创型人工智能公司开始涉足这一领域，其中也不乏一些互联网的巨头，说明无论是资本还是产业内部都看好这一应用的前景。
经历了2016到2019年三年的发展，目前 AI医疗影像呈现出了两种发展趋势，一是AI阅片方式更加贴合医生日常的阅片习惯和实际的临床需求，同时也在不断增加识别疾病的种类及器官的部位。另一个是产品功能的纵向延伸，AI除了病灶的诊断以外，可进一步给出放疗、手术等规划来辅助医生诊断。因此AI医学影像的产品目前在放射科医生群体中也得到了相当高的高度认可。在不断解放医生生产力的同时，这种方式也为基层医疗资源不均衡的现状提供了一种解决方案，即通过建设智慧影像平台的方式，使得放射科医生较为缺乏的基层医院也能够开展复杂度高的检查和诊断。
当然目前AI医学影像作为一种弱人工智能的应用，整体还处于较为初级的阶段，在发展的过程中也暴露出来一些比较明显的问题和瓶颈。首先是目前的AI识别病灶的过程基本通过深度学习来进行，即“喂给”设备各种不同的影像的诊断数据，通过深度学习来不断驯化AI软件从而达到机器识别病灶的效果。这种过度依赖数据的方法会存在的一定的隐患，一是数据量要足够大，而不同的病人由于病情的差异，同一病症体现出来的图像特征都有可能发生变化，一旦数据训练的量不够全面时，遇到特殊的病例，则有可能出现误诊的情况。此外，目前的医疗数据缺乏统一的标准，标准化还未提出通用的规则，缺乏人工智能强调的“4V”属性，因此虽然国内的数据量足够的大，但很多时候利用率和价值并不是很大，这都给A