医学图像处理

医学图像处理

1.常见的医学图像

  • MRI

核磁共振图像（MRI），该图像是人体组织器官和病灶中的氢原子核在外部强磁场作用下产生的磁共振信号大小的度量，并通过计算机对体外核磁共振信号探测器接收到的信息数据进行3D图像重建。它能够提供非常清晰的人体软组织解剖结构和病灶影像。

  • CT

计算机断层扫描(CT)利用精确准直的X射线束对人体某部位一定厚度的断面进行照射扫描，并由与射线线束一起旋转的探测器接收透射穿过该断面的X射线，最后，计算机根据探测器接收到的X射线信号数据重建相应人体断面的3D图像。它具有亚毫米级的空间分辨率，能够提供清晰的人体骨性组织解剖结构和病灶影像，已广泛应用于多种临床疾病检查和辅助诊断。

  • X射线图像

医学X射线图像是人体不同组织器官和病灶的电子密度度量影像。基于X射线的成像包括2D的计算机放射成像、数字化 X 射线摄影术、数字减影血管造影术和乳房X线摄影术，以及3D的螺旋计算机断层扫描术等，已广泛地应用于骨科、肺部、乳腺和心血管等临床疾病检测和辅助诊断，但2DX射线图像不能提供人体组织器官和病灶的三维立体信息。

  • 超声图像

利用超声束扫描人体，通过对反射信号的接收、处理，以获得体内器官的图像。近年来，超声成像技术不断发展，出现了 3D 彩超、超声全息摄影、体腔内超声成像、彩色多普勒成像及超声生物显微镜等新的超声成像技术。

  • PET图像

正电子发射断层扫描(PET)利用F18等放射性元素标记的示踪剂衰变时发射的正电子信息成像，因此，PET图像是相应示踪剂放射性活度的度量， 能提供肿瘤生物学特性(如葡萄糖代谢、乏氧、增殖等)信息，其标准摄入值大小可用于临床辅助判别肿瘤良/恶性。PET能提供比CT、MRI更直观、更精确的可视化生物学与放射生物学特性信息。

  • 病理学图像

是指切取一定大小的病变组织，采用苏木精和伊红等染色方法将切片组织做成病理玻片，然后用显微镜成像技术对微观的细胞和腺体成像。通过对病理图像进行分析，可探讨病变产生的原因、发病机理、病变的发生发展过程，从而做出病理诊断。

2.影像医学发展现状

影像学诊断人才资源紧缺。医疗机构普遍缺乏高水平的影像医师，在疾病诊断时往往会发生同病异影，异病同影等情况。

传统定性分析存在诊断误差。医生普遍擅长定性分析，很多微小的定量变化无法通过肉眼判断，很难做到定量分析。

医生阅片时间长。目前的影像呈现方式为数据和图像，而不是最有效的信息，很大程度上限制了医生的人工阅片速度。

3.医学图像处理方向

（1）医学图像增强

  • 对数变换
  • 幂次变换
  • 指数变换
  • 直方图均衡化
  • 拉普拉斯图像锐化

（2）医学图像分类

  • 判断是否有病灶，并对病灶的轻重程度进行量化分级
    • 图像筛查：指将一个或多个检查图像作为输入, 通过训练好的模型对其预测, 输出一个表示是否患某种疾病或严重程度分级的诊断变量
      • 神经影像诊断
        • 老年痴呆症
        • 轻度认识障碍
      • 乳腺影像诊断
        • 乳腺癌
      • 骨科影像诊断
        • 骨骼骨龄评估
      • 眼科影像诊断
        • 白内障
    • 病灶分类：辅助医生对疾病进行诊断
      • 乳腺病灶良恶性分类
      • 皮肤病灶分类
      • 肺结节良恶性分类

（3）医学图像检测

  • 定位病灶位置并对像素分类，准确地在医学图像中定位特定生物标记或解剖结构在临床治疗中具有非常重要的意义，直接关系到治疗效果的好坏。
    • 股骨定位
    • 心脏定位
    • 主动脉定位

（4）医学图像分割

  • 医学图像分割处理的对象主要是各种细胞、组织、器官的图像，医学图像分割的过程是：根据区域间的相似或不同，把图像分割成若干区域。
    • 组织病理学图像和显微镜图像分割
    • 脑组织结构分割
    • 心脏心室分割

（5）医学图像配准

  • why？ 在临床诊断中，单一模态的单张图像往往不能提供医生所需要的足够信息，因此，医生经常需要将多种模式或同一模式的多次成像配准融合，从而实现感兴趣区域的信息互补。根据患者多方面的综合信息，医生才能做出更加准确的诊断或制定出更加合适患者的治疗方法。

  • 医学图像配准是指对于一幅医学图像寻求一种 (或一系列 )空间变换 ,使它与另一幅医学图像上的对应点达到空间上的一致。 这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置。 配准的结果应使两幅图像上所有的解剖点 ,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。

（6）医学图像融合

  • 通过对多幅图像间的冗余数据的处理来提高图像的可读性，对多幅图像间的互补信息的处理来提高图像的清晰度。多模态医学图像的融合把有价值的生理功能信息与精确的解剖结构结合在一起，可以为临床提供更加全面和准确的资料。在图像融合处理中，图像配准是图像融合的第一步，也是实现图像融合的先决条件。
    • 被融合图像的成像方式
      • 单模融合
      • 多摸融合
    • 融合对象的不同
      • 单样本时间融合
      • 单样本空间融合
      • 模板融合
    • 图像处理方法
      • 数值融合法
      • 智能融合法

（7）医学图像检索

4.dataset

  • 医学影像数据集集锦 - 飞桨AI Studio
    • 包含肝脏、肺、乳腺癌、脑、肾脏、肠、心脏、眼睛、细胞、骨骼、前列腺、胰腺、皮肤和VQA等大量数据集
  • medical-data
    • 哈佛大学机器学习和医学影像研究者贡献的数据集，包括了医学影像数据、竞赛数据、电子健康记录、医疗数据、UCI数据集、生物医学文献等

5.SoTA

  • Papers with Code - Medical
    • 网站收纳了医学领域最新的paper和code，医学标签下有非常详细的子标签

6.AI + 医学影像助力疾病诊断

  • 影像设备的图像重建
    • AI 可以通过算法的图像映射技术，将采集的少量信号恢复出与全采样图像同样质量的图像，而且使用图像重建技术，可以由低剂量的CT和PET图像重建得到高剂量质量图像。这样在满足临床诊断需求的同时，还能够降低辐射的风险。
  • 智能辅助诊断疾病
    • 智能辅助诊断肺部疾病
      • 国内应用 AI + CT 影像最为成熟的领域在肺结节的识别上。AI 能够有效识别易漏诊结节比如6mm以下实性结节和磨玻璃结节，且准确率在90%左右，同时能提供结节位置、大小、密度和性质等。除此之外，能对肺结核、气胸、肺癌等肺部疾病进行筛查。
    • 智能辅助诊断眼底疾病
      • 目前应用最为广泛的是筛查糖网病。糖网病是常见的视网膜血管病变，也是糖尿病患者的制药致盲眼病，早期往往没有任何临床症状，一旦有症状已错过最佳治疗时机。 我国糖网病患者约2700万，随着人们对糖网病筛查的重视，眼底读片需求增加，但从事眼底医疗服务和研究人员仅800～1000人，医疗资源严重匮乏，误诊、漏诊情况较多。将人工智能应用到眼底读片中，进行初步筛查，可大大改善目前糖网病筛查效率。 AI 通过对眼底图像的深度学习，可实现对部分眼底疾病，除了糖网病，还有青光眼、老年性黄斑变性、白内障和黄斑裂孔的诊断。
    • 智能辅助诊断脑部疾病
      • 目前脑部疾病的智能诊断包括脑出血、内动脉粥样硬化诊断、颅内动脉瘤诊断和颈动脉易损斑块评估等。 其中，脑出血是神经内外科中高致死致残率的一种难治性疾病。AI + 头部CT，基于机器视觉与深度学习技术，可以迅速定位脑出血区域，精确量化出血体积，判断是否存在脑疝，同时，能以秒级速度完成专业要求高、耗费时间长的影像评估，协助医生准确判断，让患者第一时间获得最优治疗方案。
    • 智能辅助诊断神经系统疾病
      • AI 在神经系统疾病里的应用主要包括癫痫、阿尔兹海默症、帕金森病。AI 可以将患者的影像数据进行处理分析，并与正常人群组做统计比对，从而计算得到代谢异常的病灶大小、位置等信息，通过认知技术，给出治疗方案的建议以及治疗效果的预测。
    • 智能辅助诊断心血管疾病
      • AI 可以在胸部 CT 数据基础上，利用深度学习技术和图像处理技术，设计特定算法后评估冠状动脉易损斑块，进行冠心病智能辅助诊断，规划支架手术置入方案等。同时还可以智能诊断主动脉疾病类型、主动脉瘤等复杂疾病。
  • 智能勾画靶区
    • 目前，放疗是肿瘤病人的主要治疗方式之一，而病变器官的正确定位及精准勾画是放疗的基础和关键技术。因此，在放疗之前首先需要对CT图像上的器官、肿瘤位置进行标注，按照传统方法，一般需要耗费医生3～5个小时。 通过应用AI技术可大幅提升效率，AI智能勾画靶区的高准确率能够很大程度避免由于靶区勾画的不准确导致的无效治疗。目前，AI+靶区勾画已经成功运用在肺癌、乳腺癌、鼻咽癌、肝癌、前列腺癌、食管癌和皮肤癌上。
  • 智能判断病理切片
    • 病理切片的判断是一项复杂的工作，往往需要医生具有非常丰富的专业知识和经验，而且即使具有专业经验的医生，也容易忽略不易察觉的细节从而导致诊断的偏差。而将人工智能引入病理病理切片的研究，通过学习病理切片细胞层面的特征，不断完善病理诊断的知识体系是解决读片效率以及诊断准确值的最好的办法。
  • 其他智能辅助诊断方案
    • 人工智能在医学影像中的应用还包括脏器的三维成像、超声辅助甲状腺结节、骨龄分析、骨折智能诊断等。