由于培养投入大，周期长，医护人员的数量在短时间内很难大幅度增加，而人工智能技术可以辅助医疗工作，缓解当前医护资源不足的状况。
【新智元导读】NIH临床中心最新公布了一个迄今规模最大的多类别、病灶级别标注临床医疗CT图像开放数据集DeepLesion，研究人员在此基础上训练深度神经网络，创建了一个具有统一框架的大规模通用病灶检测器，能够更准确、更自动地衡量患者体内所有病灶的大小，实现全身范围的癌症初步评估。
近日，腾讯优图首个医疗AI深度学习预训练模型MedicalNet正式对外开源。这也是全球第一个提供多种3D医疗影像专用预训练模型的项目，将为全球医疗AI发展提供基础。 许多研究表明，深度学习的发展非常依赖数据量。自然图像领域中存在着许多海量数据集，如ImageNet，MSCOCO。基于这些数据集产生的预训练模型推动了分类、检测、分割等应用的进步。不同于自然图像，医疗影像大部分都是3D结构形态的，同时，由于数据获取和标注难度大，数据量稀少，目前尚未存在海量数据集及对应的预训练模型。 MedicalNet
在美国，每年大约一半的医学影像学报告是基于X线的，其中绝大部分是胸部X线检查。在全球发展中国家，X线胸片的使用更加广泛，是早期发现肺结核、肺肿瘤、肺炎、尘肺、气胸等各类呼吸系统疾病的重要手段，是现代医学影像的“流量入口”。
翻译 | 张建军 出品 | 人工智能头条（公众号ID：AI_Thinker） 【人工智能头条导读】今年 1 月，斯坦福吴恩达团队开源了 MURA ，这是一个骨骼 X 光片的大型数据集，总共有 40561 份多视图放射线影像。近日，吴恩达团队在这个数据集的基础上发起了一项深度学习挑战赛，想挑战的同学来试试自己的水平吧。 报名地址： https://stanfordmlgroup.github.io/competitions/mura/ ▌什么是 MURAMURA（MUsculoskeletal Radiogr
旗下顶级AI实验室腾讯优图，对外开源了腾讯首个医疗AI项目——深度学习预训练模型MedicalNet。
在前面的两篇文章中已经分享过一些公开数据集，今天我将继续分享kaggle上可下载的医学影像公开数据集给大家。
图像分割是计算机视觉三大任务之一，基于深度学习的图像分割技术也发挥日益重要的作用，广泛应用于智慧医疗、工业质检、自动驾驶、遥感、智能办公等行业。
理论派希望解决深度学习“短缺”的部分，通过预先构建先验知识，在不过度依赖大数据的前提下，开发出一个可解释的、高精度、可解决诸多长尾问题的“智能模型”。
作为国内最早一批密集报道医学影像AI产学融合与医工交叉的媒体。2018年，雷锋网AI掘金志全程报道了从海外MICCAI、RSNA、CVPR到国内ISICDM、MICS等众多顶级大会，同时也是多个知名医学图像分析学术论坛的独家媒体与首席合作媒体。
本文讨论了深度学习的核心工作流程之一：如何训练数据。文章强调了训练数据的重要性，并介绍了一些常用的数据收集方法，包括从互联网上自动收集、人工标注和半自动标注。作者还介绍了一种交互式图像分割方法，该方法可以在不编码的情况下，为特定的任务自定义工具。
本文探讨了深度学习的核心问题：训练数据。文章介绍了深度学习在现实世界中的广泛应用，并指出了当前深度学习方法的局限性。为了解决这些问题，作者提出了一种基于AI的图像标注工具，该工具可以快速准确地进行图像分割。该工具的主要优势在于其能够快速精确地提取用户感兴趣的对象，大大提高了标注效率。尽管该工具在有些情况下可能仍有缺陷，但已经在许多应用场景中取得了良好的效果，未来还有很大的改进空间。
自 2012 年 AlexNet 挑战 ImageNet 获得巨大成功以来，用于图像领域的深度学习算法以令人目不暇接的速度飞速演化着。通用图像领域中，有明确边界的问题，例如特定类别有标注数据的物体检测、定位、识别，乃至特定场景的图像生成、一定精确度内的图像分割，都出现了令人更新认知的深度学习解答。 目前，站在深度学习研究一线的计算机视觉研究者们，有相当一部分深入到更细分的、与应用场景联系更紧密的任务中，同时扩展算法能够覆盖的数据类型。 2018 年，在医疗影像这个分支中，来自加州的人工智能医疗公司体素科技，结合自身产品线的开发路径，发表了多篇论文，论文探讨了如何利用深度学习算法临床决策支持：例如用端到端算法处理影像中分割问题、 配准问题，以及如何在标注数据有限，且迁移学习困难的情况下，利用代理监督和联合训练获得更好的模型效果。以下为论文介绍：
在这篇文章中，我们将介绍这几天开源的三种数据集，它们与已有的通用数据集都不太一样，且更关注精细化的任务。例如在谷歌开源的 QA 数据集中，它里面都是真实的搜索问题，答案也都是从维基百科查找的。这种大型的真实数据集更适合训练一个不那么「低智商」的 QA 对话系统，也更符合成年人实际会问的一些问题。
我们不能把新的算法、数据都放在自己的腰包里。如果中国未来想做好AI，一定要打开这个壁垒。在安全的前提下，医生团队奉献数据，算法团队奉献算法，在一个公开公平的情况下，大家互相交流才能够碰撞出更多的火花。
在AI与深度学习逐渐发展成熟的趋势下，人工智能和大数据等技术开始进入了医疗领域，它们把现有的一些传统流程进行优化，大幅度提高各种流程的效率、精度、用户体验，同时也缓解了医疗资源的压力和精确度不够的问题。
选自lukeoakdenrayner 作者：Luke Oakden-Rayner 机器之心编译 自动处理医疗影像一直是人工智能的重要发展方向之一，吸引了很多知名学者参与其中，并已出现了很多引人注目的成果。近期斯坦福大学吴恩达等人提出的 CheXNet 便是其中之一。研究人员在其论文中表示：新技术已经在识别胸透照片中肺炎等疾病上的准确率上超越了人类专业医师。然而，另一群学者对目前的一些研究产生了怀疑。本文作者 Luke Oakden-Rayner 是阿德莱德大学的放射科在读博士，曾作为第一作者于今年 5 月在
【新智元导读】中金公司（CICC）此前发布的人工智能相关领域证券研究报告指出，数据获取、数据标注和跨学科人才积累已经成为医疗影像识别进一步推进的三个关键点。深睿医疗 CEO 乔昕更犀利地指出：“目前应用人工智能对某些症像的识别取得了进展， 但是此项技术不论在国内还是国外都还没有开始大规模的临床验证，甚至缺乏验证的技术和科学方法。 ”来自医学界的多位专家则表示，“来自临床的需求是医学影像发展的动力”、“医疗 AI 产品也是医疗产品，是医疗产品就要遵循临床指南和医学路径，不然就不会被医生接受”。 三大难点：数据
机器之心编译 参与：蒋思源、刘晓坤 近日，吴恩达及斯坦福 ML 团队开放一项骨骼医疗影像的竞赛，它利用去年 12 月开放的 MURA 数据集尝试在骨骼影像上达到放射科医生的水平。此外，MURA 是最大
最近，腾讯牵头的「医疗影像国家新一代人工智能开放创新平台」正式通过科技部高技术研究发展中心的综合绩效评价。这个名字有些长的平台，三年前我们也介绍过一次。那时平台的建设刚刚开始。
在当今的数字化浪潮中，数据不仅塑造了我们的现实世界，还成为了推动创新和技术进步的基石。特别是在行业大模型的研发与应用领域，数据的重要性更是不言而喻。
一来是因为许多在孕期的准妈妈，对这种疾病并不了解，直到出现症状了才去就诊，错过了最佳的治疗时机。
为了产生 3D 医疗影像的预训练模型，MedicalNet 聚集多个来自不同 3D 医疗领域的语义分割小规模数据集，并提出了基于多分支解码器的多域联合训练模型来解决数据集中的标注缺失问题。
近年来AI医学蓬勃发展，以“腾讯觅影”为代表的AI医学解决方案快速进入多种疾病的诊断核心环节。
点内科技、复旦大学附属华东医院「张国桢肺微小结节诊治中心」和上海交通大学「SJTU-UCLA 机器感知与推理联合研究中心」组成的联合研究团队共同合作的科研成果「3D Deep Learning from CT Scans Predicts Tumor Invasiveness of Subcentimeter Pulmonary Adenocarcinomas」发表于美国癌症研究协会（American Association for Cancer Research，AACR）会刊《Cancer Research》期刊上，华东医院李铭教授为本篇论文的通讯作者，赵伟博士和杨健程博士为共同第一作者。
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。
受经济水平提升、人口老龄化加速等诸多因素影响，牙齿健康受到了越来越多的关注。近些年，以深度学习为代表的人工智能算法极大地推动了医学影像领域的发展，许多研发人员也在尝试如何让深度学习算法更好地应用服务于牙科影像领域，以实现更准确可靠的诊疗，造福更多患者。
机器之心原创 作者：邱陆陆 以影像为基础，融合多模态数据提供自动转诊能力、提供确诊决策支持、提供初级影像报告，这就是全病种医疗影像阅读者给出的愿景。 在医疗影像领域最知名的一些公开数据集中，BRATS 关注脑部图像中脑肿瘤的检测和分割，LUNA16 旨在从胸片中检测肺结节，而以 Kaggle Diabetic Retinopathy Challenge 2015 为代表的多个数据集则关注糖尿病视网膜病变程度分类。在这些面向某一特定病种的任务上，研究者都已经取得了精确度不错的成果。然而从一个好的分类模型到临床
2018年全球新增癌症诊断病例约1910万，死亡病例约960万；约1/5男性和1/6女性在一生中会罹患癌症，1/8男性和1/11女性因癌症而死亡——这组惊人的数据，来自于WTO下属“国际癌症研究机构”公布的最新全球癌症数据报告，调查范围覆盖全球185万个国家和地区，涉及36种癌症的发病率和死亡率。
由于深度学习任务往往依赖于大量的标注数据，医疗图像的样本标注又会涉及到较多的专业知识，标注人员需要对病灶的大小、形状、边缘等信息进行准确的判断，甚至需要经验丰富的专家进行两次以上的评判，这增加了深度学习在医疗领域应用的难度。
👆点击“博文视点Broadview”，获取更多书讯 随着经济的发展，以及人口老龄化、环境污染的加剧，肺癌已经成为全球发病率和死亡率最高的癌症之一[1]。 肺癌没有明显的早期症状。虽然肺癌的早期切除可以有效提高患者的生存率，但多数自然就诊的患者发现肺癌时已属中晚期，错过了最佳治疗时机。 因此，肺癌的预防和早期发现成为癌症控制的重点之一。 我国的多项研究表明，通过低剂量CT进行肺癌筛查，有助于肺癌的早期发现并提高肺癌检出率，应在健康体检人群中积极开展[2]。 然而，在实际应用中，肺癌的筛查和预防面临很大的挑战
近日，《柳叶刀-数字医疗》期刊刊登了一篇“用人工智能算法诊断前列腺癌”的论文，论文中，作者除了报告了一项盲法临床验证研究，还部署了一种基于人工智能的算法用来处理常规临床应用任务，具体而言是辅助前列腺疾病诊断。
AI 科技评论按：对于缺乏高质量标注数据的专业应用，除了继续花钱标数据之外，常用方法似乎也就只有 ImageNet 预训练 + 任务专用数据 fine-tune，众包让外行去标注更多数据拿来训练是万万不敢的。不过 IBM 的这项最新研究就打破了这个禁忌，普通人标注的数据也可以用来训练医疗影像分析模型。AI 科技评论把 IBM 研究院 Reseach Fellow Simone Bianco 撰写的介绍文章编译如下。
相关文章：LIDC-IDRI肺结节公开数据集Dicom和XML标注详解 ---- 一、数据源 训练数据源为LIDC-IDRI，该数据集由胸部医学图像文件(如CT、X光片)和对应的诊断结果病变标注组成。该数据是由美国国家癌症研究所(National Cancer Institute)发起收集的，目的是为了研究高危人群早期癌症检测。 该数据集中，共收录了1018个研究实例。对于每个实例中的图像，都由4位经验丰富的胸部放射科医师进行两阶段的诊断标注。在第一阶段，每位医师分别独立诊断并标注病患位置，其中会标注三中
大数据文摘转载自AI科技评论 作者｜黄楠 编辑｜陈彩娴 探索 AI 和医学结合更多的可能性，是人工智能发展的一个重要命题。 AutoML 作为近年来备受瞩目的概念之一，被视为解决算法工程师来提高训练模型效率的一个工具，在工业、农业、零售等诸多场景中均有被使用。 而随着 AI 在医学影像分析、医疗决策、个人就诊助手等场景领域的广泛应用，AutoML凭借其智能化、自动化等特性，也引发了越来越多研究团队开始思考：如果将其放置在医学场景下，是否也能获得不错的结果？ 褚晓文，香港科技大学（广州）数据科学与分析学域正教
作者｜黄楠 编辑｜陈彩娴 探索 AI 和医学结合更多的可能性，是人工智能发展的一个重要命题。 AutoML 作为近年来备受瞩目的概念之一，被视为解决算法工程师来提高训练模型效率的一个工具，在工业、农业、零售等诸多场景中均有被使用。 而随着 AI 在医学影像分析、医疗决策、个人就诊助手等场景领域的广泛应用，AutoML凭借其智能化、自动化等特性，也引发了越来越多研究团队开始思考：如果将其放置在医学场景下，是否也能获得不错的结果？ 褚晓文，香港科技大学（广州）数据科学与分析学域正教授，由他所带领的团队也是这条探
肺部疾病是威胁现代人健康的重要疾病之一，如何使用快速且廉价的方法对肺病进行诊断是医学界的重要课题。 随着深度学习方法的兴起，世界各地越来越多的研究员在尝试用深度神经网络模型对医学图像进行分析、解释，获得可靠的诊断结果。 目前规模最大的肺部X光数据库ChestX-ray14 是由NIH研究院提供的，该数据库包含 14 种肺部疾病（肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气）的 10 多万张 X光前视图（约42G），研究人员对数据采用NLP方法对图像进行标注，1-14类分别对应14种肺部疾病，第15类表示未发现疾病。据称，该数据库标注准确率超过90%。
第二届图像计算与数字医学国际研讨会（ISICDM 2018）虽已告一段落，但本次大会所带来的信息，仍值得深思与回味。
当DeepMind 宣布让AlphaGo “退休”，组建 DeepMind Health 大举进军智能医疗之后，这家名震一时的公司也未能免俗地陷入了商业变现的泥石流。
国际知名医学影像顶级会议MICCAI 2022将于10月在新加坡举办。MICCAI（Medical Image Computing and Computer Assisted Intervention）作为国际公认的医学影像计算与计算机辅助相关领域知名学术会议，每年以其举办的各大挑战赛吸引了国内外专业人士、顶级学府及著名医疗技术机构的积极响应。 本届MICCAI 2022 MELA纵隔病灶检测国际挑战赛，由武汉大学、同济大学附属上海市肺科医院与点内(上海)生物科技有限公司联合组织举办，由京东探索研究院、普胸
11月25日，历时三个多月的2021“觅影”医学人工智能算法大赛公布赛果，来自国内外多家顶尖高校和科研企业，横跨计算机、人工智能、生物医学等专业学科，共计15支冠亚季军团队脱颖而出，“95后”“00后”成为比赛大赢家，为破解临床医学难题带来新思路。
11月25日，历时三个多月的2021“觅影”医学人工智能算法大赛公布赛果，来自国内外多家顶尖高校和科研企业，横跨计算机、人工智能、生物医学等专业学科，共计15支冠亚季军团队脱颖而出，“95后”“00后”成为比赛大赢家，为破解临床医学难题带来新思路。 腾讯云TI平台的TI-ONE平台为赛事全程提供平台和算力保障，实现一站式、全方位的科研探索。 人工智能技术与临床医学的加速融合，正成为医疗健康领域当下高度关注的方向。 作为目前最具挑战、最具临床价值的医学AI赛事，本次大赛由“科创中国”联合体指导，腾讯公司联合
雷锋网《AI掘金志》频道：只做 AI +「安防、医疗、零售」三大传统领域的深度采访报道。
回首过去的一个月，是中国科技承压颇重的一个月。不仅大量行业面临着线上化、远程化、无接触化转型，社会各个环节的防疫工作中，同样也需要技术能力的支持。仿佛短时间内，社会中出现了无数个大大小小的反应场，考验着科技能力在其中激发的化学反应。
随着人工智能技术的不断发展，深度学习在医学影像诊断领域的应用日益广泛，其强大的特征提取能力和高效的学习机制为医学影像诊断带来了革命性的突破。
近年来，CNN在医学图像分割领域取得了统治级的地位，nnUNet及其各种魔改版本几乎霸占了各大比赛的leaderboard，但大多医学图像分割任务一直因为标注数量太少而饱受诟病。目前大多研究集中于调整网络结构等方面（加各种attention，各种feature fusion），希望在有限的数据上拟合出更加性能强悍的模型，而较少的去利用未标注数据来训练更加鲁棒和泛化性更好的模型（在临床场景下海量的未标注原始数据被保留在数据中心中，医生没有时间和精力对其大规模标注，只有少量数据会被标注用于临床或算法研究）。如何缓解标注图像数量太少，未标注数量太多和有效利用未标注的原始数据等问题，已然成为了医学图像分割发展的主要矛盾。
随着科技的飞速进步，机器学习正逐步成为医疗健康领域的一股强大动力，引领着从诊断到治疗整个流程的智能化革命。在传统的医疗体系中，许多诊断与治疗的过程都依赖于医生的个人经验和专业知识，这不仅对医生的技能要求极高，同时也存在着一定的主观性和误差风险。然而，机器学习技术的引入，正以其独特的数据驱动和自学习能力，为医疗健康领域带来了前所未有的变革
摘要：保险作为当今风险保障的重要手段，已然成为众多企业、个人的选择。作为风险保障的主体，保险公司在承保、理赔等各类业务处理中，都离不开影像资料。影像资料已然成为保险公司大数据浪潮中不容忽视的重要数据要素。如何做好影像资料的自动识别、真假判定等成为保险公司降本增效、风险防范的重要课题。本文就保险行业的影像资料技术和应用给出探讨。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
云直播
对象存储
