2019年影像域CDR的进展分享.pdf

1、#1推想科技影像域CDR进展分享Ver 0.16CHIMA 2019#2影像域CDR补充和完善大数据平台AI如何赋能影像域CDR（技术原理）推想影像大数据分析平台的亮点影像大数据分析平台的收益议程CHIMA 2019#3医疗大数据平台本质上是基于大数据技术构建，完成数采集、清洗、建模、归一、标准化等数据处理，形成可为医教研管业务提供支撑的应用和分析平台（1）数据来源：医疗机构大数据平台建设指南（征求意见稿）CHIMA 2019#4以Spark和Hadoop为代表的技术堆栈，非常适合处理和加工文本数据，但是对非结构化的影像数据无能为力医疗大数据平台本质上是基于大数据技术构建，完成数采集、清洗、建

2、模、归一、标准化等数据处理，形成可为医教研管业务提供支撑的应用和分析平台（2）CHIMA 2019#5影像域CDR建设上的挑战医院临床大数据中心（CDR）的建设实践中，已经出现非影像域、影像域等两个分支；前者进展迅速，后者面临一些挑战海量数据存储成本影像数据30-40%年增长率缺乏分析工具如何挖掘科研价值CHIMA 2019#6深度神经网络（DNN）提供了有效的医学影像分析工具：基于DNN的机器学习作为新一代人工智能的代表，可以处理所有类型的医学影像数据深度神经网络：模仿人类大脑构造设计的数学模型 多个层级构成，每一层都是对原始信息的不同知识表达 通过层与层之间的信息交互，通过感知系统解释输入

3、数据 层层抽象，最终实现对不同模态数据：图像、声音、文本等的聚类与分类正是深度神经网络将机器认知推向历史巅峰！李飞飞教授发起ImageNet大赛开启计算机在视觉知觉领域向人类的挑战2012年基于深度卷积神经网络（CNN）的计算机视觉系统就在ImageNet 1000挑战中首次超越人类的图像识别分类能力2015年AlphaGo基于深度神经网络首次在围棋领域战胜人类世界冠军2016年谷歌发布基于深度神经网络的自然语言处理技术Duplex，完成与人类自然对话2018年CHIMA 2019#7深度神经网络（DNN）的主要应用场景Classification分类问题Detection检出问题Segmen

4、tation分割问题鉴别诊断：占位是恶性or良性？发现病灶：图像上哪里显示有问题？量化测量：病灶体积？平均密度？成分分析CHIMA 2019#8AI医学影像领域的巨大科研机遇（1）高分SCI论文的一大特点是巨大的数据集检测颅内出血、颅骨骨折、中线移位、块状效应检测颅内出血、颅骨骨折、中线移位、块状效应2018，Lancet（SCI factor 53）31万例头部CT扫描313,318皮肤癌二分法分类皮肤癌二分法分类2017，Nature（SCI factor 41.5）13万例各类影像129,450卷积神经网络（卷积神经网络（CNN）用于乳腺肿块良恶性鉴别）用于乳腺肿块良恶性鉴别2017，M

5、edical Image Analysis（SCI factor 5.35）850儿童手部图像测骨龄儿童手部图像测骨龄2017，Radiology（SCI factor 7.29）1.4万14,036CHIMA 2019#9AI医学影像领域的巨大科研机遇（2）医学影像深度神经网络研究文献覆盖范围广而且全近几年来深度神经网络在不同影像设备和不同器官/系统内的研究文献数量1.Litjens,G.,Kooi,T.,Bejnordi,B.E.,Setio,A.A.A.,Ciompi,F.,Ghafoorian,M.,.&Snchez,C.I.(2017).A survey on deep learni

6、ng in medical image analysis.Medical image analysis,42,60-88.覆盖各种影像设备Modality覆盖不同器官和系统CHIMA 2019#10AI医学影像领域的巨大科研机遇（3）论文数量多，而且CNN是主要的研究方法Ravi et al.(左)与 Litjens et al.(右)整理的几年来有关应用深度神经网络的医学研究基于深度神经网络的医学（影像）研究数量在过去几年中呈指数增长1.Rav,D.,Wong,C.,Deligianni,F.,Berthelot,M.,Andreu-Perez,J.,Lo,B.,&Yang,G.Z.(201