AI在COVID-19診斷成像中的應(yīng)用

2019年冠狀病毒(COVID-19)正在全球蔓延。醫(yī)學成像，如X光和計算機斷層掃描(CT)在全球?qū)�抗COVID-19中發(fā)揮了重要作用，而最近出現(xiàn)的人工智能(AI)技術(shù)進一步加強了成像工具的力量。人工智能技術(shù)支持的圖像采集可以顯著幫助掃描過程實現(xiàn)自動化，還可以重塑工作流程，最大限度地減少與患者的接觸，為成像技術(shù)人員提供最佳保護。此外，人工智能技術(shù)可以通過在X光和CT圖像中準確描繪感染來提高工作效率，便于后續(xù)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(yī)學影像中的優(yōu)勢，針對COVID-19具體介紹了AI在數(shù)據(jù)采集、分割和診斷中的應(yīng)用，最后提出AI在醫(yī)學影像應(yīng)用上存在的問題和展望。

1、AI成像工作流在醫(yī)學影像中的優(yōu)勢

傳統(tǒng)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(tǒng)的成像工作流程包括技術(shù)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(shù)人員首先根據(jù)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(diào)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(shù)人員與患者密切接觸，導致病毒暴露的高風險。因此，需要非接觸式和自動化的成像工作流程來最小化接觸。

人工智能成像工作流程：許多現(xiàn)代的X光和CT系統(tǒng)都配備了用于病人監(jiān)護的攝像機。在COVID-19爆發(fā)期間，這些設(shè)備促進了非接觸掃描工作流程的實施。技術(shù)人員可以通過攝像機的實時視頻流從控制室監(jiān)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(shù)據(jù)中識別患者的姿勢和形狀來自動執(zhí)行操作，以確定最佳掃描參數(shù)。這樣的自動化工作流程可以顯著提高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(shù)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(yù)掃描和診斷系統(tǒng)。它被重新設(shè)計成一個完全隔離的掃描室和控制室，以避免技術(shù)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(shù)人員可以通過窗戶觀察，也可以通過掃描室內(nèi)安裝在天花板上的人工智能攝像機傳輸?shù)膶崟r視頻，并在必要時校正病人的姿勢(圖1(c))�；颊叨ㄎ凰惴▽�從用照相機[1]捕獲的圖像中自動恢復(fù)患者的3D姿態(tài)和完全重建的網(wǎng)格�；�于3D網(wǎng)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(zhuǎn)換成控制信號和優(yōu)化的掃描參數(shù)，以供技術(shù)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(yīng)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(qū)域和損傷區(qū)域；2.診斷是否為新冠肺炎患者；3.提供有助于醫(yī)護人員作治療方案決策的量化參數(shù)。

2.1 區(qū)域劃分

此環(huán)節(jié)的作用在于，對疑似患者肺部區(qū)域拍攝而得到的圖像進行預(yù)處理，以提供后續(xù)操作。實施層面，此環(huán)節(jié)包含兩部分工作：肺部區(qū)域劃分和損傷區(qū)域。表1是一些圖像劃分在COVID-19應(yīng)用中的研究匯總。

表1 圖像劃分在COVID-19中的應(yīng)用

以肺區(qū)域為導向的方法旨在將肺區(qū)域，即整個肺和肺葉，與CT或X射線中的其他（背景）區(qū)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(qū)域首先由一個基于UNet++的分割網(wǎng)絡(luò)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(qū)分離出來。因為病變或結(jié)節(jié)可能很小，有多種形狀和紋理，定位病變或結(jié)節(jié)的區(qū)域是必需的，通常被認為是一項具有挑戰(zhàn)性的檢測任務(wù)。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(zhì)上是一個分類問題，通常的分類結(jié)果有三：非肺炎，非新冠肺炎和新冠肺炎。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(shù)據(jù)集[12]和Kaggle的胸部X射線圖像（肺炎）也被用來形成數(shù)據(jù)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(jié)果表明，ResNet50模型具有最高的分類性能，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(shù)

由于目前的大部分工作集中在COVID-19的預(yù)診斷上，我們注意到研究COVID-19的后續(xù)工作仍然非常有限。只有很少的嘗試，據(jù)我們所知。例如，上海聯(lián)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(shù)來演示變化患者感染區(qū)域的體積大小、密度等臨床相關(guān)因素。之后，將自動生成臨床報告，以將這些變化作為數(shù)據(jù)反映出來由臨床專家驅(qū)動的指導，以確定以下程序，見圖2。

 

3、問題和展望

數(shù)據(jù)收集是COVID-19應(yīng)用程序開發(fā)機器學習方法的第一步。盡管有大量的公共CT或X射線數(shù)據(jù)集用于肺部疾病，但X射線和CT掃描對COVID-19的應(yīng)用目前都還不廣泛，這阻礙了人工智能方法的研究和發(fā)展。Cohen等人從網(wǎng)站和出版物收集醫(yī)學圖像來創(chuàng)建COVID-19圖像數(shù)據(jù)收集，它目前包含123個正面視圖X射線。COVID-CT數(shù)據(jù)集是從700多份關(guān)于COVID-19的medRxiv和bioRxiv的預(yù)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(shù)據(jù)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�？梢娔壳跋拗艫I于COVID-19上應(yīng)用的主要問題是缺乏大量、完整、可靠的數(shù)據(jù)集。

 

展望未來，預(yù)計將有更多的人工智能應(yīng)用程序被納入圖像采集工作流程，以提高掃描質(zhì)量、減少病人的被輻射量。例如，需要更精確的基于人工智能的自動化ISO中心和掃描范圍確定，以確保最佳的圖像質(zhì)量。此外，X射線曝光參數(shù)可以通過人工智能來推斷患者的身體區(qū)域厚度，自動計算和優(yōu)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