科技：通过深度学习帮助改善医学图像分析

【科技：通过深度学习帮助改善医学图像分析】导语：医学成像创造了大量数据：许多急诊室放射科医师每天必须检查多达200例病例，一些医学研究包含多达3,000张图像。每位患者的图像集可以包含250GB的数据，最终可以在数PB级的组织中创建集合。在IBMResearch中，我们发现应用AI可以帮助放射科医师筛选这些信息，包括乳腺癌，肝癌和肺部检查的成像分析。

IBM研究人员正在应用深度学习来发现克服人工智能在分析X射线和其他医学图像时可能面临的一些技术挑战的方法。他们的最新发现将于9月16日至20日在西班牙格拉纳达举行的第21届医学图像计算和计算机辅助干预国际会议上公布。

当呈现的训练数据量不足时，人工神经网络通常很难学习。这些网络还面临着在识别可能代表癌症的异常（例如结节和肿块）的图像中识别非常小的区域的挑战。在MICCAI2018上，来自IBMResearch-Almaden和IBMResearch-Haifa的研究人员将发表论文，描述深度学习的新方法，这些方法可能有助于解决其中的一些挑战。

IBMResearch-Almaden研究员TanveerSyeda-Mahmood将展示一种新的AI网络设计，该研究在一项研究中显示能够分析三维图像中两倍的潜在疾病标记，以及这些图像中精确分割的小结构，在之前研究的基于AI的网络架构的一半时间内。

用于训练AI系统的深度神经网络有时难以分解医学图像，这一过程称为分割。这可能对准确识别小疾病标志物，限制这些网络在临床环境中的使用提出了挑战。该项目是我们首次直接针对这一挑战。

IBMResearch-Almaden的图像分析和机器学习研究经理MehdiMoradi及其同事将讨论他们使用图像和文本训练的神经网络架构的研究，以自动标记新医学图像的区域，医生可以仔细检查疾病的迹象。研究人员使用组合的图像和文本数据训练一个网络，使用分离的文本和图像训练第二个网络，因为基于AI的成像系统可能有不同的方式接收输入进行分析。

来自以色列IBMResearch-Haifa的科学家开发了一种专门用于乳房乳房X线照相术中质量检测和定位的深度神经网络，并将在MICCAI的第4届乳腺图像分析研讨会上展示他们的研究结果。标准乳腺癌筛查涉及对每个乳房进行两次乳房摄影X射线投影，并将视图与精确定位的区域进行比较。新网络的设计包括相同的“连体”子网，从中进行分析以产生图像评估。