学术前沿
3D医学图像自动分割是计算机辅助诊断中最基本、也是最重要的技术之一。目前，deep convolutional neural network (DCNN)是医学图像分割这个领域的主流模型。根据卷积维度的不同，我们大致可以将其归类为2D DCNN和3D DCNN。2D DCNN相对来说计算量要小很多，参数也少很多，但是局限于二维平面上的卷积操作，它在3D医学图像分析的相应任务上无法捕捉到空间上下文信息。3D DCNN通过三维卷积操作，很好地解决了这个问题，然而其代价是更多的计算量、更多的参数量。
这篇文章考虑通过结合2D DCNN和3D DCNN各自的优势，在更少的参数、更少的计算量下，还能学习到有效的空间上下文关系，从而更好地解决3D医学图像分割问题。
本文提出了一个LW-HCN (light-weigt hybrid convolutional network)模型用来解决上述的问题。如图1所示，LW-HCN是由编码解码的结构构成，其中编码器采用了2D卷积（蓝色）和3D卷积（绿色）混合堆叠的结构模式，解码器则完全采用了3D卷积的结构。底层的2D卷积操作可以有效地降低整个模型的计算复杂度和参数量，高层的3D卷积能够捕捉到丰富的3D语义信息，从而实现准确的语义分割。同时，本文还使用了一种DSTS(depthwise spatiotemporal separtate)卷积操作来进一步降低3D卷积的参数量。
近年来，深度学习技术得到了迅速发展和广泛应用，尤其在图像分类、人脸识别、语音识别、机器翻译、自然语言理解和棋牌游戏等领域取得了巨大的成功，甚至在某些方面超越了人类的认知水平。但是，对于医学图像分析而言，由于医学影像数据获取和标注的困难，可以用于训练模型的数据集往往都比较有限。本报告将以MR图像、CT图像、视网膜图像、皮肤镜图像和病理图像分析为例，介绍报告人在应用深度学习技术进行医学影像小数据分析的经验和体会，并探讨在医学图像小数据上进行深度学习研究所面临的机遇与挑战。
新冠肆虐，疫情严重，战“疫”守土，人人有责！临床放射科医生、部分研制新冠肺炎AI智能诊断系统的公司专家，共同介绍和讨论人工智能在CT诊断新冠肺炎中的最新进展。需要强调的是，各家公司都在短短的时间里，已经开发出相应的AI诊断产品，在不少医院得到应用，直接帮助病人和医生。
