AI诊断3万个疑似病例
AI 算法助力CT图像自动检测的广泛部署
为疫情排“毒”扫“雷”工作极大缓解了压力
小编说：突如其来的疫情，让放射科/CT室这个医技科室，迅速成为抗击疫情的主战场。
一位新冠肺炎病人的CT影像大概在300张左右，平均一个病例医生靠肉眼分析需要5-15分钟。护目镜有时受到雾气的影响，影响视力，也必须慎之又慎，既要鉴别出普通肺炎、结核以及肺部肿瘤等，又不能放过任何一个疑似病例。“火眼金睛”之下是一线医生与日骤增的压力。
AI 算法助力CT图像自动检测的广泛部署，为疫情排“毒”扫“雷”工作极大缓解了压力。
截至昨日（2月21日），AI自动检测技术已在湖北、上海、广东、江苏等16个省市的26家医院上岗。对3万个临床疑似新冠肺炎病例 CT 影像进行了诊断，单个病例影像分析可在20秒内完成，准确率达到96%。
AI 已经成为临床医生提升诊断效率的重要手段，尤其在细微区别的 CT 影像分析上远远高于医生肉眼的效率。据悉，该技术将很快在全国100多家新冠肺炎定点医院完成部署应用。
AI自动检测是如何工作的？
我们以肺结节为例：
肺结节是指CT图像上的一种表现为小的、局灶性的、类圆形的、密度较高的阴影，是可疑肺部癌变组织的一种影像学特征，其直径一般只有3～30毫米，在三维肺部CT图像中只占极小的面积。因此，检测肺结节对影像科医生来说是一项十分耗时且低效的工作。
一个肺结节自动检测算法通常分为两部分：
- 一是肺结节可疑位置推荐算法；
- 二是假阳性肺结节抑制算法。
1．肺结节可疑位置推荐算法
肺结节可疑位置推荐算法在整个肺结节检测算法中非常关键，它决定了一个肺结节检测算法后续步骤的检测性能的上限。肺结节种类繁多，有实性的、半实性的、钙化的及贴近胸膜的等。一个优秀的肺结节可疑位置推荐算法，应该能从CT图像中找出各种类型的结节，辅助医生进行肺癌的早期筛查。
2．假阳性肺结节抑制算法
假阳性肺结节抑制算法决定了整个肺结节检测算法的检测效果。
若深入了解当前研究进展可查阅文末参考文献。
肺结节自动检测方案总体框架
1 肺结节数据集
近年来，ImageNet、COCO等自然图像处理数据集推动了基于深度学习的自然图像处理领域的分类、检测、分割算法的发展。同样，在医疗图像分析领域，高质量的数据集是算法设计与算法性能验证的基础。
本文使用的数据集来自LUNA16 （lung nodule analysis 2016），它是当前肺结节检测算法研究领域最大、最权威的数据集。该数据集基于美国癌症中心公开的LIDC/IDRI数据，在去除了层厚大于2.5毫米的CT图像后，共包含888幅三维肺部CT图像。该数据集中的每幅CT图像都是由四位专业的影像科医生分两阶段标注的。在第一阶段，每位医生分别独立对肺部CT图像作出诊断，并将其中的病灶区域标注为非结节、直径大于3毫米的结节或直径小于3毫米的结节。在第二阶段，每位医生分别独立复审其他三位医生的标注，并给出自己的诊断，从而保证了标注结果的准确性和完整性。由于直径小于3毫米的肺结节不具备癌变的可能性，且在层厚较大的CT图像中较难发现，LUNA16的举办方将LIDC/IDRI数据集中被三位以上医生标注的且直径大于3毫米的结节作为肺结节的标准，共1186个。此外，标注方法没有采用传统的边界框及前面介绍过的Mask R-CNN中的像素级标注，而采用圆心和半径来标注每个肺结节的位置和大小。
2 肺结节检测难点
根据医疗机构提供的肺部CT数据，肺结节自动检测存在诸多难点。例如，肺结节在形态、大小、类型上具有较大差异，一个CT图像矩阵的大小通常是512×512×200（这三个值分别对应于图像的长、宽、数量），肺结节的最小直径为3.25毫米，最大直径为32.27毫米；部分非结节的肺间质与肺结节在CT图像形态上具有相似的特征（例如血管、纤维灶等），导致很难使用一般的算法来区分肺结节与这些组织；大量患者肺部只存在个别肺结节，因此肺结节位置的搜索空间很大，是一个困难的小目标检测任务。
我们综合考虑了肺结节检测任务的难点，以及现有肺结节检测算法的不足，设计了一套基于三维深度残差卷积神经网络的肺结节检测算法。下面将介绍该算法的框架结构，以及三维卷积神经网络和神经网络的优化算法。
3 算法框架
算法的框架如下图，检测步骤主要分为两步：第一步，肺结节可疑位置推荐；第二步，假阳性肺结节抑制。
算法框架
- 肺结节可疑位置推荐
肺结节的位置搜索空间很大，且背景所占的空间比肺结节所占的空间大很多，因此，需要通过肺结节可疑位置推荐步骤来快速筛查整个CT图像，在保证较高的肺结节召回率的情况下，通过推荐较少的可疑肺结节位置来减少检测算法的搜索空间。
在本步骤中，首先设计一个三维深度残差全卷积神经网络及相应的优化算法来分割肺结节，生成肺结节概率分割图，然后逐体素初步预测其属于肺结节的概率，最后基于肺结节的概率分割图，设计一个自适应阈值的可疑肺结节层次定位算法来推荐可疑肺结节的位置。
- 假阳性肺结节抑制
肺结节在大小、类型、形态上有较大的差异，且一些非结节的肺间质与肺结节有相似的影像特征，因此，在上一步推荐的可疑肺结节中会存在较多的假阳性结果。这时，需要通过假阳性肺结节抑制算法剔除这些假阳性的肺结节，从而提高肺结节检测算法的检测精度。
我们设计的假阳性肺结节抑制算法基于一个三维深度残差卷积网络，可以多尺寸地从CT图像中捕获三维纹理特征，从而检测出多尺寸、多类型、多形态的肺结节，并剔除易于混淆的假阳性的背景，实现肺结节的自动检测。
本文选自博文视点新书《深度学习与目标检测》。
参考资料
[1] Keelin Murphy, Bram van Ginneken, Arnold MRSchilham, et al. A large-scale evaluation of automatic pulmonarynodule detection in chest ct using local image features and k-nearest-neighbourclassification[J]. Medical image analysis, 2009, 13(5):757-770.
[2] Colin Jacobs, Eva M van Rikxoort, ThorstenTwellmann, et al. Automatic detection of subsolid pulmonary nodules in thoraciccom- puted tomography images[J]. Medical image analysis, 2014, 18(2):374-384.
[3] Arnaud AA Setio, Colin Jacobs, Jaap Gelderblom, et al.Automatic detection of large pulmonary solid nodules in thoracic ct images[J].Medical physics, 2015, 42(10):5642-5653.
[4] Arnaud Arindra Adiyoso Setio, FrancescoCiompi, Geert Litjens, et al. Pulmonary nodule detection in ct images: false positive reduction usingmulti-view convolutional networks[J]. IEEE transactions on medical imaging,2016, 35(5):1160-1169.
[5] Qi Dou, Hao Chen, Lequan Yu, et al.Multi-level contextual 3d cnns for false positive reduction in pulmonary noduledetection[J]. IEEE Transactions on Biomedical Engineering, 2016.
[6] Maxine Tan, Rudi Deklerck, Bart Jansen, et al. A novelcomputer-aided lung nodule detection system for ct images[J]. Medical physics,2011, 38(10):5630-5645.
[7] Qi Dou, Hao Chen, Yueming Jin, et al.Automated Pulmonary Nodule Detection via 3D ConvNets with Online SampleFiltering and Hybrid- Loss Residual Learning.[J]. MICCAI, 2017.
[8] Temesguen Messay, Russell C Hardie, StevenK Rogers. A new computationally efficient cad system for pulmonary noduledetection in ct imagery[J]. Medical image analysis, 2010, 14(3):390-406.
