【導(dǎo)讀】本文整理自2017年6月20日，阿里巴巴iDST算法專家行湘在清華-青島數(shù)據(jù)科學(xué)研究院、阿里云和零氪科技共同舉辦的天池醫(yī)療AI大賽之“醫(yī)學(xué)影像在腫瘤診斷中的應(yīng)用及智能診斷探索”上發(fā)表的“大數(shù)據(jù)視覺智能實踐及醫(yī)學(xué)影像智能診斷探索”演講內(nèi)容精華。

　　一、視覺智能實踐

　　阿里團隊主要專注云上的智能視覺技術(shù)。

　　人工智能曾經(jīng)過兩次繁榮，現(xiàn)在是它的第三次繁榮，主要原因有：一是以深度學(xué)習(xí)技術(shù)為代表的技術(shù)的迅速發(fā)展，尤其是在圖象領(lǐng)域取得了重大的突破；二是有強大的計算能力；三是數(shù)據(jù)越來越多。正因為有了數(shù)據(jù)計算能力和算法，可以在更多的方面解決更多商業(yè)問題。

　　阿里巴巴在視覺智能實踐的探索體現(xiàn)在如下四個方面。

　　1．電商搜索

　　目前電商搜索是一個比較成熟的產(chǎn)品，現(xiàn)在已經(jīng)開始大規(guī)模的部署。拍立淘的目標(biāo)是希望在電商搜索上，提供除了文字的另外一種搜索，如探索視頻廣告和視覺診斷。因為有深度學(xué)習(xí)快速的發(fā)展，電商環(huán)境下的圖象搜索已經(jīng)取得了重大的突破，幾乎實現(xiàn)了所見即所得的效果，網(wǎng)上已經(jīng)能夠搜到相關(guān)的資料。

　　2．城市之眼

　　城市之眼的目標(biāo)是希望對城市里面大量攝像頭的分析，為我們的交通、安全提供更好的智能決策。

　　目標(biāo)檢測識別需要一些強大的計算、系統(tǒng)的支持，以及對視頻數(shù)據(jù)結(jié)構(gòu)化以后，做的一些搜索和挖掘。

　　交通流量識別分析在實際中遇到的挑戰(zhàn)還是非常多的。如小目標(biāo)怎么辦？車輛如果遠處有遮擋怎么辦？槍機通常做得很好，球機行不行？還有就是黃色車牌的識別，數(shù)據(jù)識別少怎么辦？阿里團隊在做這個項目中從算法到數(shù)據(jù)都遇到了一系列的問題，最后阿里團隊發(fā)明了一種新的網(wǎng)絡(luò)，對小目標(biāo)、遮擋目標(biāo)、模糊的目標(biāo)都取得了顯著的效果，最近在非常有挑戰(zhàn)性的KITTI數(shù)據(jù)庫上車輛檢測取得了第一名的成績。阿里采用的手段是利用最新的對抗網(wǎng)絡(luò)的方法，通過生成大量的假車牌，然后通過這些大量的假車牌訓(xùn)練車牌識別分析器，最終實現(xiàn)車牌的識別率能夠提升10%以上。

　　從計算上來說，對整個城市上萬個攝像頭進行分析，計算量非常大。但由于有阿里云、大批量計算平臺的支持，通過對視頻數(shù)據(jù)結(jié)構(gòu)化，可以實現(xiàn)對全網(wǎng)視頻數(shù)據(jù)大范圍搜索。如通過車輛的屬性和車牌，在視頻數(shù)據(jù)中進行搜索，可以追查肇事車輛的逃逸。

　　如果把視頻數(shù)據(jù)結(jié)構(gòu)化以后，還可以通過分析一段時間交通流量對紅綠燈進行調(diào)控，來優(yōu)化我們的交通效率。

　　3．視頻廣告

　　第一個方面的探索就是希望能夠在視頻中找到一個合適的位置，把廣告無縫嵌入進去，并且不影響大家的觀看體驗。

　　第二個方面希望通過對視頻內(nèi)容的分析，嵌入合適的符合這個場景的廣告。

　　第三個方面是智能廣告設(shè)計，通過機器學(xué)習(xí)的手段使得廣告海報的生成更加便捷。用戶能夠通過簡單的畫直線和方框，生成一幅跟人工幾乎可以相媲美的廣告海報。

　　4．視覺診斷

　　視覺診斷包含兩個部分，一個是診斷機器，一個診斷生物。

　　傳統(tǒng)的工業(yè)診斷方法是人拿工具到現(xiàn)場檢查，診斷機器的目標(biāo)是通過視覺分析的手段能夠代替人工對機器的檢查。通過現(xiàn)場拍攝錄像，通過視覺分析的手段，能夠自動的診斷出機器的故障。

　　診斷生物就是醫(yī)學(xué)影象智能診斷。

　　阿里在娛樂、交通、安防、設(shè)計和制造領(lǐng)域取得了一系列的進展，下面介紹視覺智能算法應(yīng)用到醫(yī)療影象領(lǐng)域，為醫(yī)療帶來的改變。

　　二、醫(yī)學(xué)影像智能診斷探索

　　阿里在4月份的時候在深圳發(fā)布了ET醫(yī)療大腦，即阿里基于影像云的服務(wù)，提供醫(yī)學(xué)影像的存儲、計算和醫(yī)學(xué)影像智能診斷服務(wù)。

　　1．醫(yī)學(xué)影像數(shù)據(jù)

　　常見的醫(yī)學(xué)影像數(shù)據(jù)有如下幾種：從早期的X線，到后來的CT，超聲，核磁共振（MRI），到現(xiàn)在的正電子發(fā)射計算機斷層顯像（PET-CT）。各種設(shè)備不斷出現(xiàn)，對病灶的觀察越來越精確，已成為臨床診斷最重要的依據(jù)之一。

　　醫(yī)學(xué)影像數(shù)據(jù)數(shù)量增長非常迅速，成為了真正意義上的大數(shù)據(jù)：一是數(shù)據(jù)種類多，且新的成像方式還在不斷涌現(xiàn)。二是數(shù)據(jù)增長快，麥肯錫的數(shù)據(jù)顯示,2020年醫(yī)療數(shù)據(jù)將達35ZB,為2009年的44倍，其中醫(yī)學(xué)影像數(shù)據(jù)占絕大部分。三是數(shù)據(jù)體量大，一家大型醫(yī)院歷史影像數(shù)據(jù)量為50-200T左右，每年新增20T－50T左右。四是價值密度低，LUNA16數(shù)據(jù)庫CT影像數(shù)據(jù)111G，只包含1186個結(jié)節(jié)信息。

　　2．影像智能診斷的迫切需求

　　與數(shù)據(jù)快速增長相對應(yīng)的，是不滿足需求的診斷方式?，F(xiàn)有的醫(yī)學(xué)影像方法主要靠醫(yī)生人工讀片，由于有經(jīng)驗的影像科醫(yī)生培養(yǎng)周期長，加上優(yōu)秀的資源分布極不均衡，導(dǎo)致患者預(yù)約拍片時間長、以及拍片后的等待時間長。由于醫(yī)生的工作量大，以CT為例，一個醫(yī)生一天要看上萬張影像，精神高度集中，容易疲勞，人工誤差不可避免。為了緩解醫(yī)療資源緊張，有的公司開發(fā)了輔助診斷系統(tǒng)，但是這些輔助系統(tǒng)大多是事先創(chuàng)造一套規(guī)則，程序根據(jù)規(guī)則對影像進行處理，由于規(guī)則難以窮盡,這些系統(tǒng)應(yīng)用到現(xiàn)實復(fù)雜的環(huán)境中通常準(zhǔn)確率不高。而且這些輔助系統(tǒng)增加了醫(yī)生的使用難度，實際使用效果不理想。

　　海量的醫(yī)學(xué)影像數(shù)據(jù)，迫切的現(xiàn)實需求，高效的圖像識別算法，加上強大的計算能力，需求、數(shù)據(jù)、算法、計算等因素綜合在一起，為醫(yī)學(xué)影像的智能診斷帶來了難得的歷史機遇。

　　一旦智能診斷成為現(xiàn)實，其相比原有的診斷方式的優(yōu)勢是非常明顯的。由于強大的云計算和大數(shù)據(jù)的支持，基于深度學(xué)習(xí)的智能診斷可以短時間內(nèi)快速達到普通影像科醫(yī)生的水平，并且診斷過程可以在瞬間完成，一旦完成訓(xùn)練，“智能診斷服務(wù)”可以快速復(fù)制，邊際成本非常低。

　　3．CT影像肺結(jié)節(jié)智能檢測的實踐探索

　　以CT影像肺結(jié)節(jié)檢測為例介紹在醫(yī)學(xué)影像智能診斷方面的一些探索。

　　這里是一個肺部CT掃描序列的片段，紅色圓圈標(biāo)注的是一個肺結(jié)節(jié)。智能檢測的目標(biāo)是設(shè)計深度學(xué)習(xí)算法讓計算機自動從CT掃描序列中自動找出肺結(jié)節(jié)的位置，估計肺結(jié)節(jié)位置和大小。

　　問題分析：

　　這個問題的存在一系列的挑戰(zhàn)：1是結(jié)節(jié)模態(tài)多，不像人臉、行人等目標(biāo)有相對固定的模態(tài)。2是早期結(jié)節(jié)小，早期的肺結(jié)節(jié)通常小于10毫米。3是標(biāo)注樣本少，由于醫(yī)學(xué)影像的標(biāo)注成本高，常見的數(shù)據(jù)集非常少，數(shù)據(jù)集的數(shù)量也很少。我們期待計算機可以把有問題的結(jié)節(jié)都找出來，同時誤報比較少。這樣才能降低醫(yī)生的工作量。

　　實現(xiàn)步驟：

　　基于深度學(xué)習(xí)的方法比較有效的克服了上述挑戰(zhàn)，其主要步驟有：肺部區(qū)域提取、肺結(jié)節(jié)分割和肺結(jié)節(jié)分類。

　　使用圖像分割算法生成肺部區(qū)域圖，然后根據(jù)肺部區(qū)域圖生成肺部圖像。利用肺部分割生成的肺部區(qū)域圖像，加上結(jié)節(jié)標(biāo)注信息生成結(jié)節(jié)區(qū)域圖像，訓(xùn)練基于全卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)分割器，然后對圖像做肺結(jié)節(jié)分割，得到疑似肺結(jié)節(jié)區(qū)域。找到疑似肺結(jié)節(jié)后，使用3D卷積神經(jīng)網(wǎng)絡(luò)對肺結(jié)節(jié)進行分類，得到真正肺結(jié)節(jié)的位置和置信度。

　　具體實現(xiàn)：

　　肺部提取采用傳統(tǒng)的圖像處理算法加上一些規(guī)則雖然也能得到不錯的效果，但是在實驗過程中發(fā)現(xiàn)，針對某個數(shù)據(jù)集設(shè)定的規(guī)則，在別的數(shù)據(jù)集上總是效果不佳。

　　這里采用了FCN全卷積網(wǎng)絡(luò)，同時采用別的大數(shù)據(jù)集訓(xùn)練的模型作為預(yù)訓(xùn)練模型，訓(xùn)練了一個16層的網(wǎng)絡(luò)（13個卷積層，3個反卷積層）。模型測試的效果表明，基于深度學(xué)習(xí)的方法有著更為魯棒的效果。

　　得到肺部區(qū)域圖后，需要在肺部圖像中找出肺結(jié)節(jié)的位置。由于早期的肺結(jié)節(jié)比較小，使用常見的網(wǎng)絡(luò)做影像分割通常對小目標(biāo)容易漏檢。

　　這里采用了U-Net網(wǎng)絡(luò)模型。因模型長得像個巨大的U，故取名U-Net。它的顯著特征是在上采樣過程中把下采樣過程中生成對應(yīng)特征圖拿過來組合在一起，這樣在最終生成的特征圖中既包含高層的抽象特征，也包含低層的細(xì)節(jié)特征，能同時對影像中的大小目標(biāo)進行檢測。同時，由于這是正負(fù)樣本嚴(yán)重不均衡問題，訓(xùn)練的loss函數(shù)設(shè)計、訓(xùn)練策略都需要特殊的考慮。

　　對肺部圖像做U-Net分割后，得到疑似肺結(jié)節(jié)分割圖像。圖像明暗程度代表了肺結(jié)節(jié)出現(xiàn)的概率，可以看出，真正結(jié)節(jié)所在的位置為白色。然后對分割圖做二值化、提取連通塊等后處理，得到疑似結(jié)節(jié)的位置。從上圖中可以看出得到了五個疑似結(jié)節(jié)。

　　最后是疑似結(jié)節(jié)分類。對每個疑似結(jié)節(jié)，從其相鄰多幀切片中提取一個影像數(shù)據(jù)塊，使用一個3DCNN網(wǎng)絡(luò)中對其分類。由于3D網(wǎng)絡(luò)充分學(xué)習(xí)到了肺結(jié)節(jié)內(nèi)在的3維形狀結(jié)構(gòu)，可以獲得比2D更好的結(jié)果。

　　上圖是得到的最終結(jié)果。左圖在肺結(jié)節(jié)分割環(huán)境中找到了5個肺結(jié)節(jié)，經(jīng)過肺結(jié)節(jié)分類后，找到了那個真正肺結(jié)節(jié)的位置。

　　以上是肺結(jié)節(jié)檢測一個初步的探索，如果要真正應(yīng)用于實踐，成為一個真正的產(chǎn)品，無論是算法、數(shù)據(jù)、計算，還是商業(yè)都還有很多工作要做。

總結(jié)

以上是生活随笔為你收集整理的大数据视觉智能实践及医学影像智能诊断探索（讲座精华笔记）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。