賈化平/編譯，戰略支援部隊特色醫學中心（原306醫院），超聲醫學科

醫研部醫學科普中心 劉燕/崔彥 編輯

近年來，由于對高效客觀獲取和識别超聲圖像的需求日益增加，人工智能助力的超聲影像更加成熟，趨近常規應用。

超聲是一種操作者依賴性的成像模式，開發深度學習（DL）模型評估圖像質量并向超聲醫生提供反饋就顯得非常重要；在數據采集和測量過程中提供指導可使超聲應用更加智能，并減少操作者依賴。Akkus等對深度學習在超聲影像中的應用進行了綜述，文章發表在美國放射學院雜志上（J Am Coll Radiol, 2019, 16:1318-1328）。

DL是機器學習（ML）和人工智能的一個子集，具有多層神經網絡，可通過自學從原始輸入圖像中提取多層級的特征。圖形處理單元處理能力的快速增長，可通過百萬幅圖像的訓練開發出最先進的DL算法，對圖像的變異具有魯棒性。特别是最近DL在圖像分割和分類應用中獲得成功，從而流行起來。DL将數據分為培訓集、驗證集和測試集，當數據有限時，首選交叉驗證方法。培訓通常是通過有監督的方式完成，需要獲得任務的真實數據。大多數DL應用都包含監督學習，DL模型在能提供真實數據标簽或分割的圖像數據集上進行訓練。真實數據通常通過人工獲取，由專家對分割任務的病變或結構進行描繪。比較DL性能的最佳方法是對每個應用程序在公認的真實數據集中進行評估。

近年來，研究人員提出基于DL的超聲CAD系統。通過微調DL模型，從一個數據集獲得的知識可以輕松地轉移到從另一個中心另一個超聲設備上獲取的新數據集，稱為遷移學習。基于DL的超聲CAD系統已在甲狀腺、乳腺、肝髒及胎兒等方面得以應用。雖然DL在超聲影像的應用有了令人信服的結果，但AI助力的超聲影像仍然遠遠落後于AI助力的CT和MRI，這是因為超聲圖像采集和解釋方面，觀察者内和觀察者間都存在很高的變異性，多數DL在超聲影像中的應用都是從單個醫療中心和單個超聲設備獲得的有限數據集上進行培訓和評估的。

目前用于超聲診斷的DL模型僅使用二維圖像進行預測，然而二維圖像的信息有限，不能完全代表病變。基于三維超聲數據、具有多個病變視圖的超聲電影剪輯或時空數據訓練的DL模型有潛在能力提高診斷準确性，并完整地認識病變。此外，開發基于多模式（二維灰階、多普勒、超聲造影和剪切波成像）圖像的DL模型，這些圖像可以相互提供補充信息，也可以提高DL模型診斷的準确性。

AI助力的超聲影像系統能夠評估多模态數據、指導超聲醫師并提供客觀質控（例如，器官的标準視圖和可接受的圖像質量）、測量和診斷，不僅能輔助決策，而且還能改善超聲臨床工作流程并降低醫療成本。

（配圖來源于網絡）

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!