Fellow观点：AI框架下的医疗影像教学

前言

本期由知名医疗影像专家AAAS, IEEE 和美国发明院 (https://news.rpi.edu/content/2019/12/03/ge-wang-named-fellow-national-academy-inventors) Fellow, Ge Wang教授谈论他对医疗影像教学的看法，原文是英文，本文由zxz编译，预计阅读时间10分钟。王老师的其它文章也很有趣（Fellow建议！教授这个职业好吗？，人工智能始发力，医学影像更清晰），欢迎一并阅读。

The First College Course of Medical Imaging in the AI Framework

第一门在AI框架下的医学成像大学课程

创新驱动着人类文明，其过程在于找到各种方式来增强人类的能力：感知、推理、操纵外部事物甚至人类自己。我们感知这个世界方式主要通过视觉，但是我们的视觉系统却对不透明的物体无能为力。

而通过断层成像我们克服了这一限制，因为这项技术利用外部测量来重构物体内部结构。依靠原创性的突破和持续不断的改进，断层成像技术已经对医学、工业、基础性研究等领域产生了革命性的影响。

断层成像方法包括了X射线计算机断层成像（CT），核断层成像，磁共振成像（MRI），超声成像和光学成像。

比如说，X射线CT在医学中占据重要的地位，其往往作为在对大多数病理状况进行明确治疗干预之前所使用的首要和唯一的成像手段。

目前全球每年会完成超过1亿次CT扫描检查。考虑到医学成像模态的复杂性和重要性，许多工程院系通常会将医学成像纳入到本科生和研究生阶段的课程中。

在过去的几年中，人工智能，机器学习尤其是深度学习，已经吸引了大量的关注。在大众媒体中，深度学习最有名的应用场景就是计算机视觉和图像分析。

计算机视觉和图像分析是处理现有图像并生成这些图像的特征（图像到特征的映射），而断层成像从相关的非直接的数据（图像的线积分、谐波分量等）生成图像的结构（特征到图像的映射）。

最近，深度学习方法正被活跃地应用于断层成像，形成了成像研究中一块新的领域。除了断层图像重建中解析型和迭代型方法，数据驱动的基于学习的方法开始主导成像领域。

这一新兴发展的趋势不能被忽略，而且我们必须去接受它，同时也要求我们对成像课程的内容和教育方法进行及时的创新。

图1展示了基于深度学习的医学成像研究的热度和势头。特别是在基于机器学习的断层成像重建方面，我们推荐你阅读我们发表在IEEE Trans. Medical Imaging上关于这一主题的社论文章：https://ieeexplore.ieee.org/document/8359079，和最近一篇发表在Proc. IEEE上关于相同话题的综述：https://ieeexplore.ieee.org/document/8844696。

此外要强调的是，基于深度学习的重建软件已经应用在了医学断层成像扫描机器上。正如引自GE官网的图2所呈现的那样，基于深度学习的CT重建方法在性能上明显地超过了传统解析滤波反投影（FBP）重建方法和当代基于模型的迭代重建方法（ASiR V）。

这一结果和我们最近发表在Nature Machine Intelligence上的发现是一致的：https://www.nature.com/articles/s42256-019-0057-9。

基于这些和其他的信息，我们有责任要让我们的学生为深度重建/成像这一新兴的领域做好充分的准备。

Figure 1. Web of Knowledge search with the rule “All=(deep learning medical imaging)” resulted in 4,782 records on December 28, 2019. The left panel plots an exponential growth of the number of deep-learning-based imaging papers since 2016, and the right side shows relative contributions from leading countries.

图1：2019年12月28日用“All=(deep learning medical imaging)”在Web of Knowledge搜索到4782条记录。左图显示自2016年来基于深度学习成像论文数量呈指数式增长，右图展示了相关贡献最大的几个国家

Figure 2. According to https://www.gehealthcare.com/products/truefidelity, from the same low-dose CT dataset the classic analytic FBP reconstruction and contemporary model-based reconstruction are both shown to be inferior to deep learning based reconstruction known as “TrueFidelity”.

图2： 根据https://www.gehealthcare.com/products/truefidelity，传统的解析滤波反投影重建方法和当代基于模型的重建方法在同一低剂量CT数据集上的表现都差于基于深度学习的被称为“真保真”的重建方法。

在美国伦斯勒理工学院2019年秋季学期，我们首次同时面向本科生和研究生开设在AI框架下的医学成像课程。

课程的第一部分讲授关于人工神经网络的基本知识和技能。随后，我们选择代表性的成像模态CT和MRI，会讲解它们的成像原理以及基于深度学习的CT和MRI重建网络。

此外，我们还以深度学习重建作为重点介绍其它医学成像模态和多模态成像。在整个课程中，我们安排了几次需要动手实践的回家作业，要求在Google Colab环境下完成，并且我们鼓励优秀的学生去完成独立自选的课程项目，如图3。

最后几节课还涉及有关AI伦理和量子计算的话题。整门课程的安排已经罗列在了表1中。

总的来说，这门课程得到了优良反馈的。我们也计划在进一步完善后继续开设这门课。关于这门课程的内容，我们非常欢迎与感兴趣的教授和学生进行讨论合作。

Figure 3. Independent deep imaging projects are encouraged in our course of medical imaging in the AI framework. A student was presenting his project progress to the class.

图3：我们医学成像课程鼓励学生进行独立的深度学习成像项目作业。一位学生正在向全班汇报他的项目进展。

Table 1. Class schedule used for the course “Medical Imaging” in the AI framework coded as BMED-4590-1 (undergraduate students) and BMED-6590-1 (graduate students) in the Fall’19 semester at Rensselaer Polytechnic Institute, Troy, New York, USA.

表1：美国伦斯勒理工学院2019年秋季学期在AI框架下的《医学成像》课程安排，课程代码：BMED-4590-1(本科)，BMED-6590-1（研究生）。