AI在COVID-19诊断成像中的应用

2019年冠状病毒(COVID-19)正在全球蔓延。医学成像，如X光和计算机断层扫描(CT)在全球对抗COVID-19中发挥了重要作用，而最近出现的人工智能(AI)技术进一步加强了成像工具的力量。人工智能技术支持的图像采集可以显著帮助扫描过程实现自动化，还可以重塑工作流程，最大限度地减少与患者的接触，为成像技术人员提供最佳保护。此外，人工智能技术可以通过在X光和CT图像中准确描绘感染来提高工作效率，便于后续的量化。近期IEEE Reviews in Biomedical Engineering刊登了“Reviewof Artificial Intelligence Techniques in Imaging Data Acquisition, Segmentation and Diagnosis for COVID-19”的综述论文，对比说明AI成像工作流在医学影像中的优势，针对COVID-19具体介绍了AI在数据采集、分割和诊断中的应用，最后提出AI在医学影像应用上存在的问题和展望。

1、AI成像工作流在医学影像中的优势

传统成像工作流程：胸部X光和CT广泛用于COVID-19 的筛查和诊断。在COVID-19大流行期间，采用非接触式自动图像采集工作流程以避免感染的严重风险非常重要。然而，传统的成像工作流程包括技术人员和患者之间不可避免的接触。特别地，在患者定位中，技术人员首先根据给定的方案帮助患者摆姿势，随后在视觉上识别患者身上的目标身体部位位置，并手动调整患者和X射线管之间的相对位置和姿势。这一过程使技术人员与患者密切接触，导致病毒暴露的高风险。因此，需要非接触式和自动化的成像工作流程来最小化接触。

人工智能成像工作流程：许多现代的X光和CT系统都配备了用于病人监护的摄像机。在COVID-19爆发期间，这些设备促进了非接触扫描工作流程的实施。技术人员可以通过摄像机的实时视频流从控制室监控病人。在这种情况下，人工智能能够通过从视觉传感器获取的数据中识别患者的姿势和形状来自动执行操作，以确定最佳扫描参数。这样的自动化工作流程可以显著提高扫描效率并减少不必要的辐射暴露。一个显著的例子是基于由可视人工智能技术支持的移动CT平台自动扫描工作流，如图1(a)所示。移动平台完全独立，带有基于人工智能的预扫描和诊断系统。它被重新设计成一个完全隔离的扫描室和控制室，以避免技术人员和患者之间不必要的互动。进入扫描室后，通过视觉和听觉提示，指示患者在病床上摆好姿势(图1(b))。技术人员可以通过窗户观察，也可以通过扫描室内安装在天花板上的人工智能摄像机传输的实时视频，并在必要时校正病人的姿势(图1(c))。患者定位算法将从用照相机[1]捕获的图像中自动恢复患者的3D姿态和完全重建的网格。基于3D网格，患者目标身体部分的扫描范围和3D中心线都被估计并转换成控制信号和优化的扫描参数，以供技术人员验证。一旦核实，病床将自动对准ISO中心，并移入扫描架进行扫描。采集到CT图像后，将对其进行处理和分析，以便进行筛查和诊断。2、AI图像增强在COVID-19中的具体应用

AI图像处理在COVID-19治疗中具体作用在于：针对提供的图像材料（形式可以是CT，X光），利用机器学习算法对图像进行处理，给出1.划分出肺部区域和损伤区域；2.诊断是否为新冠肺炎患者；3.提供有助于医护人员作治疗方案决策的量化参数。

2.1 区域划分

此环节的作用在于，对疑似患者肺部区域拍摄而得到的图像进行预处理，以提供后续操作。实施层面，此环节包含两部分工作：肺部区域划分和损伤区域。表1是一些图像划分在COVID-19应用中的研究汇总。

表1 图像划分在COVID-19中的应用

以肺区域为导向的方法旨在将肺区域，即整个肺和肺叶，与CT或X射线中的其他（背景）区域分开，这被认为是一个必要的步骤，在COVID-19的筛查中[3-10]。例如，Jin等人[2]提出了一种用于CT图像中COVID-19筛查的两级管道，其中整个肺区域首先由一个基于UNet++的分割网络有效分割出来。

 

以面向肺损伤的方法旨在将肺中的病变（或金属和运动伪影）从肺区分离出来。因为病变或结节可能很小，有多种形状和纹理，定位病变或结节的区域是必需的，通常被认为是一项具有挑战性的检测任务。值得注意的是，除了分割外，在筛选中，注意机制也被认为是有效的定位方法。

 

2.2 COVID-19的诊断

对COVID-19的诊断本质上是一个分类问题，通常的分类结果有三：非肺炎，非新冠肺炎和新冠肺炎。表2是一些COVID-19的分类研究。

纳林等人[11]提出了三种不同的深度学习模型，即ResNet50、InceptionV3和Inception-ResNetV2，以检测X射线图像中的COVID-19感染情况。值得注意的是，在本研究中，ID-19数据集[12]和Kaggle的胸部X射线图像（肺炎）也被用来形成数据集。50例COVID-19患者的胸部X线图像和50例正常胸部X线图像。评价结果表明，ResNet50模型具有最高的分类性能，准确率为98.0%，而InceptionV3的准确率为97.0%，Inception-ResNetV2的准确率为87%。

 

2.3 量化参数

由于目前的大部分工作集中在COVID-19的预诊断上，摩登7注意到研究COVID-19的后续工作仍然非常有限。只有很少的尝试，据摩登7所知。例如，上海联合成像智能(UII)的研究人员试图使用基于机器学习的方法和可视化技术来演示变化患者感染区域的体积大小、密度等临床相关因素。之后，将自动生成临床报告，以将这些变化作为数据反映出来由临床专家驱动的指导，以确定以下程序，见图2。

 

3、问题和展望

数据收集是COVID-19应用程序开发机器学习方法的第一步。尽管有大量的公共CT或X射线数据集用于肺部疾病，但X射线和CT扫描对COVID-19的应用目前都还不广泛，这阻碍了人工智能方法的研究和发展。Cohen等人从网站和出版物收集医学图像来创建COVID-19图像数据收集，它目前包含123个正面视图X射线。COVID-CT数据集是从700多份关于COVID-19的medRxiv和bioRxiv的预印文献中收集来的，包括288张确诊COVID-19患者的CT切片和10例确诊COVID-19病例的三维CT图像。此外，COVID-19CT分割数据集还包含来自60例患者的100个轴向CT切片，以JPG图像的方式展示。可见目前限制AI于COVID-19上应用的主要问题是缺乏大量、完整、可靠的数据集。

 

展望未来，预计将有更多的人工智能应用程序被纳入图像采集工作流程，以提高扫描质量、减少病人的被辐射量。例如，需要更精确的基于人工智能的自动化ISO中心和扫描范围确定，以确保最佳的图像质量。此外，X射线曝光参数可以通过人工智能来推断患者的身体区域厚度，自动计算和优化的，确保在扫描过程中使用正确的辐射量，这对于低剂量成像特别重要。