去年5月，在2017年度GPU技術(shù)大會(huì)（GTC）上，英偉達(dá)發(fā)布了超級(jí)計(jì)算機(jī)NVIDIA DGX Station。作為針對(duì)人工智能開(kāi)發(fā)的GPU工作站，NVIDIA DGX Station的計(jì)算能力相當(dāng)于400顆CPU，而所需功耗不足其1/20，而計(jì)算機(jī)的尺寸恰好能夠整齊地?cái)[放在桌側(cè)。數(shù)據(jù)科學(xué)家可以用它來(lái)進(jìn)行深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練、推理與高級(jí)分析等計(jì)算密集型人工智能探索。

作為致力于將深度學(xué)習(xí)人工智能技術(shù)引入到智能醫(yī)學(xué)診斷的系統(tǒng)開(kāi)發(fā)商，圖瑪深維采用了DGX Station以及CUDA并行加速來(lái)進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，并在此基礎(chǔ)上開(kāi)發(fā)出了σ-Discover Lung智能肺結(jié)節(jié)分析系統(tǒng)。σ-Discover Lung系統(tǒng)能夠幫助醫(yī)生自動(dòng)檢測(cè)出肺結(jié)節(jié)、自動(dòng)分割病灶、自動(dòng)測(cè)量參數(shù)，自動(dòng)分析結(jié)節(jié)良惡性、提取影像組學(xué)信息、并對(duì)肺結(jié)節(jié)做出隨訪，大幅度減少結(jié)節(jié)篩查時(shí)間，減少讀片工作量，提高結(jié)節(jié)的檢出率，并且提供結(jié)節(jié)的良惡性定量分析，提高篩查的效果。σ-Discover Lung系統(tǒng)于去年8月發(fā)布。去年12月，圖瑪深維完成軟銀中國(guó)領(lǐng)投的2億人民幣B輪融資。

3月23日起，智東西聯(lián)合NVIDIA推出「NVIDIA實(shí)戰(zhàn)營(yíng)」，共計(jì)四期。第一期由圖瑪深維首席科學(xué)家陳韻強(qiáng)和NVIDIA高級(jí)系統(tǒng)架構(gòu)師付慶平作為主講講師，分別就《深度學(xué)習(xí)如何改變醫(yī)療影像分析》、《DGX超算平臺(tái)-驅(qū)動(dòng)人工智能革命》兩個(gè)主題在智東西旗下「智能醫(yī)療」社群進(jìn)行了系統(tǒng)講解。目前，「NVIDIA實(shí)戰(zhàn)營(yíng)」第二期已經(jīng)結(jié)束。而第三期將于4月13日20點(diǎn)開(kāi)講，主題為《智能監(jiān)控場(chǎng)景下的大規(guī)模并行化視頻分析方法》，由西安交通大學(xué)人工智能和機(jī)器人研究所博士陶小語(yǔ)、NVIDIA高級(jí)系統(tǒng)架構(gòu)師易成共同在「智能安防」社群主講。

本文為陳韻強(qiáng)博士的主講實(shí)錄，正文共計(jì)4472字，預(yù)計(jì)7分鐘讀完。在瀏覽主講正文之前，可以思考以下五個(gè)問(wèn)題：

-低劑量胸部掃描是否能識(shí)別結(jié)節(jié)的良惡性？
-傳統(tǒng)CAD技術(shù)為何不如深度學(xué)習(xí)？
-深度學(xué)習(xí)在醫(yī)學(xué)影像分析有哪些應(yīng)用場(chǎng)景？
-基于多任務(wù)的深層神經(jīng)網(wǎng)絡(luò)模型如何搭建智能肺結(jié)節(jié)分析系統(tǒng)？
-深度學(xué)習(xí)給醫(yī)療哪些領(lǐng)域會(huì)帶來(lái)變革？

陳韻強(qiáng)：大家好！很高興有機(jī)會(huì)和英偉達(dá)的專家一起和大家交流深度學(xué)習(xí)在智能醫(yī)療影像分析方面的應(yīng)用。先簡(jiǎn)單介紹下圖瑪深維醫(yī)療科技有限公司（以下簡(jiǎn)稱圖瑪深維）以及公司在智能醫(yī)療領(lǐng)域的產(chǎn)品路線。圖瑪深維成立于2015年，一直致力于利用深度學(xué)習(xí)技術(shù)來(lái)提高智能醫(yī)療水平，輔助醫(yī)生采用更加精確、有效的手段來(lái)診斷疾病和確定治療方案，從而更好地為患者服務(wù)。公司發(fā)展到今天，已經(jīng)有一百多名全職雇員，八位醫(yī)學(xué)顧問(wèn)，公司總部設(shè)在北京，并且已經(jīng)在蘇州、上海以及美國(guó)圣地亞哥建立了分部。

在去年的GTC大會(huì)北京站上，圖瑪深維獲得“2017中國(guó)人工智能初創(chuàng)公司挑戰(zhàn)賽”冠軍并獲得了價(jià)值百萬(wàn)的超級(jí)計(jì)算機(jī)DGX-1大獎(jiǎng)。這張照片就是我們?cè)谶@次挑戰(zhàn)賽冠軍的獎(jiǎng)品——最新的DGX工作站。我們已經(jīng)將其應(yīng)用到研發(fā)工作中，并且給工作效率帶來(lái)了非常大的提升。后面我也會(huì)做一些關(guān)于DGX工作站效率的詳細(xì)比較，大家可以看一下。

圖瑪深維目前主要專注于醫(yī)學(xué)影像分析?，F(xiàn)代醫(yī)學(xué)影像取得重大進(jìn)步的一個(gè)原因，其實(shí)就是基于不同成像設(shè)備的巨大發(fā)展，比如CT斷層成像、核磁共振掃描、三維超聲等，都可以在沒(méi)有創(chuàng)傷或微創(chuàng)的情況下，觀察人體內(nèi)部的細(xì)微組織結(jié)構(gòu)，在疾病的早期檢測(cè)、找到疾病的病因以及病灶位置方面帶來(lái)了極大的增強(qiáng)，從而可以讓醫(yī)生盡早確定治療方案。另外，在人體的不同部位，不同疾病的表現(xiàn)方式也都不太一樣，檢測(cè)方法也不一樣，因此圖瑪深維的產(chǎn)品針對(duì)不同的成像儀器，涵蓋了人體的多個(gè)部位，來(lái)對(duì)一些高發(fā)以及高危的疾病進(jìn)行智能輔助診斷。現(xiàn)在我們著重的是比較高危害的疾病，包括各種惡性的癌癥、心血管常見(jiàn)疾病以及腦血管疾病等。

下面我主要以我們公司的肺癌產(chǎn)品為例，來(lái)介紹一下公司在智能醫(yī)療領(lǐng)域的貢獻(xiàn)、智能醫(yī)療的重要性和它需要實(shí)現(xiàn)的任務(wù)及范疇。可以看到，現(xiàn)在世界衛(wèi)生組織預(yù)測(cè)21世紀(jì)人類第一殺手，就是一些常見(jiàn)的惡性癌癥。全球每年大概有700萬(wàn)人死于癌癥，而在中國(guó)，惡性腫瘤發(fā)病率也非常高，每年發(fā)病率平均在160萬(wàn)左右，死亡數(shù)量也相當(dāng)高，達(dá)到130萬(wàn)，惡性腫瘤在所有的死亡病例里面占了1/5左右，是現(xiàn)代危害非常嚴(yán)重的一種疾病。而肺癌更是惡性腫瘤里面發(fā)病率最高的惡性腫瘤之一，其五年生存率僅僅為15%左右。

從上圖我們可以看到肺癌在男性發(fā)病率里面是最高的，女性群體中乳腺癌是最高的，而其次就是肺癌。因此肺癌在整個(gè)惡性腫瘤中是最嚴(yán)重的一種，但是實(shí)際上我們也不應(yīng)該談癌變色，而是要盡早地發(fā)現(xiàn)和治療，這樣才能提高治愈率。

肺癌之所以可怕，是因?yàn)樗某跗诎Y狀非常不明顯，很容易被忽略掉，而到了晚期則會(huì)發(fā)生癌細(xì)胞轉(zhuǎn)移，導(dǎo)致治療非常困難。美國(guó)腫瘤協(xié)會(huì)一系列的研究表明，檢測(cè)肺部結(jié)節(jié)是早期發(fā)現(xiàn)肺癌的一個(gè)非常有效的手段。由于肺部結(jié)節(jié)腫瘤的尺寸很小，在傳統(tǒng)的X-ray胸部透視平片上是很難看到的，而通過(guò)低劑量CT進(jìn)行早期篩查，能夠極大地提高早期肺癌的診斷率。

我們知道，CT斷層成像是分辨率非常高的三維成像，所以它的數(shù)據(jù)量也非常大。每個(gè)病人基本上都有幾百?gòu)垟嗥上瘢@樣就導(dǎo)致了醫(yī)生診斷非常困難，花的時(shí)間也非常多。由于它診斷的困難性，所以有不少人在很早期時(shí)就提出來(lái)用計(jì)算機(jī)輔助診斷，利用計(jì)算機(jī)的大運(yùn)算量來(lái)幫助醫(yī)生進(jìn)行診斷，一直到深度學(xué)習(xí)的出現(xiàn)，才使得這個(gè)想法變得可行，因?yàn)樵缙谠\斷算法的診斷效率以及準(zhǔn)確率都比較低，不能達(dá)到實(shí)用的要求。隨著深度學(xué)習(xí)的出現(xiàn)，在各種診斷率上面有了顯著的提高，也使得計(jì)算機(jī)輔助診斷的想法成為了可能。

就肺癌診斷這個(gè)方向來(lái)說(shuō)，其實(shí)絕大多數(shù)其他疾病的診斷跟肺癌診斷的應(yīng)用場(chǎng)景是比較相似的。由于數(shù)據(jù)量非常龐大，由醫(yī)生一張張來(lái)找是非常困難的一件事情。所以，我們可以通過(guò)算法來(lái)自動(dòng)進(jìn)行疾病的病灶檢測(cè)和定位，在進(jìn)行了病灶的定位以后，還可以做一些輔助性的定性分析，比如結(jié)節(jié)的良惡性判斷等工作，由于有隨訪的要求，那么一個(gè)病人可能是在經(jīng)過(guò)半年時(shí)間左右再回來(lái)復(fù)查的時(shí)候，我們需要了解結(jié)節(jié)的變化大小，所以這些數(shù)據(jù)由計(jì)算機(jī)來(lái)計(jì)算，就非常方便。深度學(xué)習(xí)由于它快速有效的運(yùn)算以及非常高的精度，使得其在不少實(shí)際的識(shí)別問(wèn)題中已經(jīng)達(dá)到了接近人的視覺(jué)經(jīng)驗(yàn)的水平，同時(shí)它是比較智能化的，可以通過(guò)大量數(shù)據(jù)的訓(xùn)練來(lái)增強(qiáng)它的準(zhǔn)確性。

深度學(xué)習(xí)應(yīng)用在醫(yī)學(xué)中也可以去生成自動(dòng)學(xué)習(xí)的特征來(lái)進(jìn)行疾病的識(shí)別和判斷，也可以自動(dòng)生成結(jié)構(gòu)化的診斷報(bào)告，輔助進(jìn)行科學(xué)研究以及教學(xué)培訓(xùn)。

那么傳統(tǒng)的CAD技術(shù)為什么達(dá)不到這些效果呢？在傳統(tǒng)的CAD技術(shù)里，主要是通過(guò)醫(yī)學(xué)影像分析，由那些有很多經(jīng)驗(yàn)的人來(lái)設(shè)計(jì)一些比較適合做不同類型疾病檢測(cè)的特征值，比如紋理分析、邊緣檢測(cè)以及物體檢測(cè)的各種不同的特征函數(shù)，比如SIFT或HoG等。

但是這些特征的訓(xùn)練完全是通過(guò)人來(lái)實(shí)現(xiàn)的，而人需要去看大量的病例，然后從數(shù)據(jù)中總結(jié)出經(jīng)驗(yàn)，而且不可能用太多的特征來(lái)做這件事情，所以導(dǎo)致了疾病的診斷率一直上不來(lái)，同時(shí)在面對(duì)不同疾病的時(shí)候，又需要設(shè)計(jì)一套完全不同的特征向量，這也是傳統(tǒng)CAD技術(shù)沒(méi)辦法很快地應(yīng)用到醫(yī)學(xué)的不同領(lǐng)域中去的原因。

隨著深度學(xué)習(xí)技術(shù)的出現(xiàn)，它對(duì)我們最大的貢獻(xiàn)是提供了一套可以從大量數(shù)據(jù)中自動(dòng)學(xué)習(xí)最有效特征的算法。其實(shí)它也是在模擬人的視覺(jué)系統(tǒng)及識(shí)別系統(tǒng)中的一些實(shí)現(xiàn)方式，比如，以前人是通過(guò)看大量的圖像來(lái)人為地選取特征，而現(xiàn)在變成利用梯度的反向傳播原理來(lái)自動(dòng)提取特征向量。

深度學(xué)習(xí)的另外一個(gè)好處，就是它在訓(xùn)練的過(guò)程中，一直專注于優(yōu)化準(zhǔn)確率，而且它可以通過(guò)看大量的訓(xùn)練數(shù)據(jù)來(lái)實(shí)現(xiàn)最優(yōu)的準(zhǔn)確率，如果讓人類來(lái)做這個(gè)設(shè)計(jì)的話，幾乎是不可能實(shí)現(xiàn)的。我們不可能去把所有的圖都去算一遍，然后去調(diào)整閾值，調(diào)整各種權(quán)重之類的參數(shù)來(lái)達(dá)到最優(yōu)，現(xiàn)在這些都是由具備超強(qiáng)運(yùn)算能力的GPU來(lái)實(shí)現(xiàn)的。

這個(gè)圖就是深度學(xué)習(xí)早期時(shí)候的一些文章，顯示它訓(xùn)練出來(lái)的特征向量，我們可以看到，其實(shí)在前幾層的時(shí)候，深度學(xué)習(xí)選出來(lái)的特征向量跟人選出來(lái)的特征值是非常接近的。比如各種不同角度的edge detection，以前人類來(lái)設(shè)計(jì)特征向量也有各種角度多個(gè)尺度的Gabor Filter Bank等這些設(shè)計(jì)，相比來(lái)說(shuō)其實(shí)是非常類似的。但是人沒(méi)辦法進(jìn)入更高層的抽象，所以導(dǎo)致識(shí)別的效率沒(méi)有那么高，可以看到，在后面幾層識(shí)別出來(lái)的這些特征，就比較接近每個(gè)元部件的組成。

可以看到，如果我們要識(shí)別不同物體的種類，比如樹(shù)、貓、狗等，那么深度學(xué)習(xí)一開(kāi)始在所有網(wǎng)絡(luò)里面的權(quán)重都是隨機(jī)選取的，這時(shí)它出來(lái)的結(jié)果很可能是完全沒(méi)有道理的，比如給它一張貓的圖片，它可能認(rèn)為是烏龜，但是我們因?yàn)橛羞@個(gè)類型的標(biāo)識(shí)，所以我們可以知道這個(gè)做錯(cuò)了，這時(shí)它就可以把錯(cuò)誤反向傳播，同時(shí)希望使得給出的正確路徑得到進(jìn)一步的增強(qiáng)，而錯(cuò)誤的路徑則得到進(jìn)一步的抑制，經(jīng)過(guò)多次這樣的循環(huán)以后，得到準(zhǔn)確的特征向量。

整個(gè)學(xué)習(xí)的過(guò)程在早期是沒(méi)辦法實(shí)現(xiàn)的，電腦的計(jì)算能力雖然一直有非?？焖俚脑鲩L(zhǎng)，也符合之前的摩爾定律，但即使如此，計(jì)算能力也一直沒(méi)辦法進(jìn)行這么大規(guī)模的訓(xùn)練量，而隨著NVIDIA GPU的出現(xiàn)，運(yùn)算能力已經(jīng)遠(yuǎn)遠(yuǎn)超過(guò)原來(lái)摩爾定律的設(shè)定，最主要原因當(dāng)然是因?yàn)镚PU可以進(jìn)行大規(guī)模的并行計(jì)算，我們知道這些特征的計(jì)算都是基于一個(gè)小的區(qū)域來(lái)進(jìn)行的，而在整張圖像上的不同地方都是可以并行計(jì)算的。隨著GPU的發(fā)展，不同深度學(xué)習(xí)網(wǎng)絡(luò)的運(yùn)算速度尤其是訓(xùn)練的速度已經(jīng)顯著增強(qiáng)，GPU比CPU的速度要快出好幾百倍。

因?yàn)獒槍?duì)的是三維醫(yī)學(xué)圖像，所以我們的算法使用的是三維卷積網(wǎng)絡(luò)，在三維的情況下，計(jì)算量更大，因此GPU的效果在我們實(shí)際機(jī)器上做出來(lái)的benchmark中，GPU效率使CPU的500多倍，在做最終推理的時(shí)候，大概是2000多倍。

拿到了DGX Workstation后，我們又跟之前用的P100 GPU做了比較，發(fā)現(xiàn)DGX的運(yùn)算速度比P100要快一倍左右，在訓(xùn)練和推理過(guò)程中，基本上都是超過(guò)一倍的速度。

我一直覺(jué)得訓(xùn)練速度是一件非常重要的事情，因?yàn)樵谡麄€(gè)模型中，我們經(jīng)常需要去調(diào)各種模型參數(shù)、試驗(yàn)不同的模型等，如果每調(diào)整一個(gè)參數(shù)我們都需要等上好幾天才能看到結(jié)果的話，那么整個(gè)算法模型優(yōu)化的過(guò)程就會(huì)變得非常沒(méi)有效率，可能過(guò)了幾天等結(jié)果出來(lái)了以后，我們都忘了想做什么測(cè)試了，所以現(xiàn)在如果能加快訓(xùn)練模型的速度，對(duì)研發(fā)是非常有好處的。

深度學(xué)習(xí)在醫(yī)療上已經(jīng)取得了非常廣泛的應(yīng)用，比如各種Pathology的圖像、腦影像的立體分割、基因序列預(yù)測(cè)、眼底視網(wǎng)膜成像，還有最新的Nature雜志上的皮膚癌診斷等。

我們的肺結(jié)節(jié)診斷系統(tǒng)實(shí)現(xiàn)了多個(gè)功能，就像前面列的在醫(yī)療場(chǎng)景里的應(yīng)用一樣，我們需要幫助醫(yī)生實(shí)現(xiàn)好幾個(gè)不同的功能，包括結(jié)節(jié)的檢測(cè)、對(duì)結(jié)節(jié)進(jìn)行分割，然后給一些定量定性的分析，也可以對(duì)結(jié)節(jié)的不同時(shí)期的隨訪病人跟蹤其每個(gè)結(jié)節(jié)在時(shí)間上的變化，然后是結(jié)節(jié)的檢索，可以看出過(guò)去類似結(jié)節(jié)的分析結(jié)果，以及對(duì)結(jié)節(jié)做出最終的良惡性判斷，判斷它是哪個(gè)類型的，是良性還是惡性，最后還可以自動(dòng)生成報(bào)告，整個(gè)流程極大地加速了醫(yī)生的診斷過(guò)程。

整個(gè)系統(tǒng)花一分鐘左右的時(shí)間就能夠完成所有肺結(jié)節(jié)的診斷，而對(duì)肺結(jié)節(jié)診斷的敏感性達(dá)到96.7%，良惡性判斷的準(zhǔn)確率為90%，相當(dāng)于高年制副主任醫(yī)師的水平。

這是我們模型設(shè)計(jì)的框架，是基于多任務(wù)的深層神經(jīng)網(wǎng)絡(luò)模型來(lái)做的。為了做整個(gè)結(jié)節(jié)的檢測(cè)，我們需要完成多個(gè)任務(wù)，包括肺部的分割、結(jié)節(jié)的檢測(cè)、結(jié)節(jié)的分割，然后進(jìn)行結(jié)節(jié)的隨訪和檢索，以及結(jié)節(jié)的定量定性分析，比如判斷結(jié)節(jié)的種類、良惡性。這些任務(wù)都有它們自己的訓(xùn)練數(shù)據(jù)，但是它們之間共享深度學(xué)習(xí)網(wǎng)絡(luò)層的特征，只是在最后進(jìn)行不同的任務(wù)而已。在訓(xùn)練的時(shí)候，根據(jù)不同的任務(wù)，它的訓(xùn)練標(biāo)注模式也是不一樣。

上面這張圖就顯示了幾個(gè)我們檢測(cè)到的結(jié)節(jié)，一般結(jié)節(jié)看起來(lái)是什么樣子的呢？我們可以看到，肺部的結(jié)節(jié)種類是非常多的，尤其是在中國(guó)，有不少毛玻璃類型的結(jié)節(jié)，他們之間的對(duì)比度非常弱，也非常小，我們可以看到它跟邊上的血管、氣管對(duì)比度要弱很多，但是由于我們是利用深度學(xué)習(xí)訓(xùn)練出來(lái)的模型進(jìn)行識(shí)別，它是自動(dòng)進(jìn)行的，可以看到3D的圖像，不光是在二維層面去看這個(gè)圖像，同時(shí)可以制造上下層之間的關(guān)系，利用整個(gè)空間信息來(lái)最終實(shí)現(xiàn)結(jié)節(jié)的診斷。

目前我們的肺結(jié)節(jié)診斷系統(tǒng)已經(jīng)安裝了超過(guò)一百家醫(yī)院。在試用期間已經(jīng)處理了超過(guò)90萬(wàn)的病例，幫助避免漏診20000個(gè)左右的結(jié)節(jié)，我們之前也在CCR做過(guò)“醫(yī)生+AI”和“醫(yī)生”的比較，發(fā)現(xiàn)“醫(yī)生+AI”能夠節(jié)省80%的讀片時(shí)間，同時(shí)還能降低漏診率，因?yàn)槲覀冊(cè)诳吹浇Y(jié)節(jié)非常微小的時(shí)候，是很容易漏診的。在醫(yī)生劃過(guò)整個(gè)CT volume的時(shí)候，是非常容易漏診掉的。

上面這張圖里面就是我們?cè)谠囉玫倪^(guò)程中找到的一些結(jié)節(jié)，其中有一些做了病理的檢測(cè)。我們可以看到，對(duì)于這個(gè)病例的第一個(gè)結(jié)節(jié)，算法認(rèn)為它是中等風(fēng)險(xiǎn)，最后病理檢測(cè)出來(lái)確實(shí)是良性的，是不典型增生。

這是另外一個(gè)病例，雖然這個(gè)結(jié)節(jié)的尺寸也非常小，還不到一厘米。但是它是磨玻璃的形狀，我們的算法分析出它的風(fēng)險(xiǎn)度比較高，最后實(shí)際的病理測(cè)試證明它確實(shí)是惡性的微浸潤(rùn)肺腺癌。

所以從整個(gè)的使用情況來(lái)看，我們非常高興看到計(jì)算機(jī)輔助診斷確確實(shí)實(shí)能夠很大地提高醫(yī)生的診斷率，提高醫(yī)生的效率，以及防止漏診和誤診等。我們寫出來(lái)的算法并不是要去替代醫(yī)生，而是希望能更好地去輔助醫(yī)生，提升醫(yī)生的工作效率，能夠集中精力去確定病人的治療方案，而不是花在很多計(jì)算機(jī)輕易就能做得很好的一件事情上。

今天的內(nèi)容基本上就是這些了。非常高興能有機(jī)會(huì)和大家交流深度學(xué)習(xí)在圖像上的應(yīng)用。希望感興趣的人可以跟我們公司聯(lián)系。謝謝大家！

另外，陳韻強(qiáng)博士在Q&A環(huán)節(jié)針對(duì)「智能醫(yī)療」社群六位用戶的提問(wèn)進(jìn)行了回答，以下是實(shí)錄：

問(wèn)題一
趙兵強(qiáng) 浙江省嘉善縣中醫(yī)醫(yī)院放射科主任
1、低劑量胸部掃描是否同樣能識(shí)別結(jié)節(jié)的良惡性？
2、高分辨率模式重建和標(biāo)準(zhǔn)窗重建對(duì)結(jié)節(jié)識(shí)別有什么區(qū)別？

陳韻強(qiáng)：1、第一個(gè)問(wèn)題,答案是肯定的，我們知道美國(guó)腫瘤協(xié)會(huì)公布了大量的肺癌數(shù)據(jù)，都是低劑量胸部掃描的數(shù)據(jù)，我們的算法在這方面測(cè)試識(shí)別的準(zhǔn)確率還是相當(dāng)高的。

2、關(guān)于第二個(gè)問(wèn)題，我們?cè)趯?shí)際訓(xùn)練的時(shí)候，不同重建模式的數(shù)據(jù)都會(huì)放在訓(xùn)練數(shù)據(jù)里面，這些重建的參數(shù)會(huì)影響圖像的特征，所以我們把這些不同的重建模式都放在訓(xùn)練數(shù)據(jù)里面，可以實(shí)現(xiàn)更加通用的檢測(cè)算法。

問(wèn)題二
汪翼 太原航空儀表工程師
目前醫(yī)療影像領(lǐng)域識(shí)別肝細(xì)胞癌(CT或者M(jìn)RI)最新的和主流的深度學(xué)習(xí)模型是什么？3DU-net在醫(yī)療影像的應(yīng)用前景如何？

陳韻強(qiáng)：現(xiàn)在識(shí)別大多數(shù)還是用的是ResNet，DenseNet等識(shí)別模型。3DU-net還是比較適合醫(yī)療影像的圖像分割的，現(xiàn)在取得的成績(jī)也相當(dāng)不錯(cuò)。大多數(shù)人會(huì)采用改良的3DU-net來(lái)做醫(yī)療影像分割。

問(wèn)題三
劉春雷-連心醫(yī)療深度學(xué)習(xí)算法工程師
醫(yī)學(xué)圖像分割相對(duì)傳統(tǒng)圖像分割有哪些難點(diǎn)？目前表現(xiàn)突出的用于醫(yī)療圖像分割的網(wǎng)絡(luò)模型有哪些？

陳韻強(qiáng)：就我個(gè)人感覺(jué)，醫(yī)學(xué)圖像主要是人體各種疾病的診斷，所以它上下文的信息是非常重要的。即使醫(yī)生在看醫(yī)學(xué)圖像的時(shí)候，也需要知道他在看哪個(gè)器官的哪類疾病，然后來(lái)幫助診斷出病灶；另外一個(gè)比較重要的是高分辨率的圖像信息，通常來(lái)說(shuō)病灶都是非常微小的，如果做了任何down-scaling 這種事情的話，信息就會(huì)丟掉很多，就變得很難找到，所以現(xiàn)在表現(xiàn)比較突出的醫(yī)療分割網(wǎng)絡(luò)，比如U-net結(jié)構(gòu)，它可以比較有效地集成不同尺度的信息。

問(wèn)題四
陳嘉偉 南方醫(yī)科大學(xué)
影像數(shù)據(jù)的預(yù)處理環(huán)節(jié)對(duì)于整個(gè)模型訓(xùn)練過(guò)程中有多大關(guān)鍵影響，能否以一個(gè)實(shí)例分析一下嗎？

陳韻強(qiáng)：我覺(jué)得預(yù)處理這個(gè)環(huán)節(jié)，基本上跟傳統(tǒng)CAD的做法很像，通過(guò)人的先驗(yàn)知識(shí)去找到一個(gè)特定的特征空間來(lái)幫助算法檢測(cè)目標(biāo)。實(shí)際上如果在訓(xùn)練數(shù)據(jù)比較多的時(shí)候，深度學(xué)習(xí)很可能自己學(xué)出來(lái)；如果在訓(xùn)練數(shù)據(jù)比較小的時(shí)候，預(yù)處理就會(huì)顯得比較重要一些。

問(wèn)題五
盧紅陽(yáng) 中科院醫(yī)工所
深度學(xué)習(xí)在磁共振成像中的應(yīng)用如何？

陳韻強(qiáng)：深度學(xué)習(xí)在不同的醫(yī)學(xué)成像、模組里面都有很大的應(yīng)用范圍。深度學(xué)習(xí)在核磁共振里面，我看到相關(guān)的研究方向有腦部分割、做肝結(jié)節(jié)檢測(cè)、心臟功能分析等，涉及到這方面的工作也非常的多。

問(wèn)題六
陳章 Thomas Jefferson Hospital
請(qǐng)問(wèn)醫(yī)療影像數(shù)據(jù)一般如何獲?。?/span>

陳韻強(qiáng)：大家也都發(fā)現(xiàn)，大量的數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)能夠做出更好的結(jié)果，去造福廣大患者，增加醫(yī)療準(zhǔn)確性?，F(xiàn)在數(shù)據(jù)獲取已經(jīng)遠(yuǎn)遠(yuǎn)不像以前那么困難，當(dāng)然醫(yī)療數(shù)據(jù)還是比較敏感的，所以一定要匿名化，這些操作如果符合內(nèi)化的規(guī)則，數(shù)據(jù)還是可以獲取到的。