《3D 医疗影像数据深度学习高效训练与推理架构.pdf》由会员分享,可在线阅读,更多相关《3D 医疗影像数据深度学习高效训练与推理架构.pdf(24页珍藏版)》请在三个皮匠报告上搜索。
1、3D医疗影像数据深度学习 高效训练与推理架构 北京安德医智科技有限公司 杨春宇 博士/算法总监/国家万人计划领军人才 医疗影像数据 医疗影像数据 医疗影像数据基本特点 数据维度: 2D、3D、3D多序列、2D视频、3D视频、3D视频多序列 采集效率: 毫秒级到数十分钟 数据尺寸: 典型512长*512宽*数百层*数个序列 数据体量: 特定病种几例到几十万例病例 数据质量: 数据需专业团队标注,高水平医生标注/审核,工作量巨大 小样本/半监督/无监督学习算法重获重视,但仍不成熟 医疗影像辅助诊断中常用的AI技术 目标检测:器官粗定位,微小病灶的筛查性检测 图像分割:组织/器官/病灶精确分割,三维
2、重建,参数测量图 像配准:多期相、多模态影像配准、疗效评估、随访对比 图像生成:多期相、多模态图像生成 图像/视频分类:疾病的鉴别诊断 图像/视频检索:相似病例库检索 肺部CT 3D基础 乳腺MRI 3D多序列 心脏MRI 3D视频 3D医疗影像AI辅助诊断实例 肺部CT 每年中国肺结核发病90万,肺癌发病78万,肺炎死亡15万 医学意义:快速筛查&鉴别诊断 检查手段:CT平扫/增强 数据示例: 512长*512宽*149层 分辨率: 0.68mm*0.68mm*2mm 肺部CT分割 组织器官分割:肺叶/肺段/肋骨/椎骨/气管/血管 病灶分割:炎性病灶、占位性病灶 分割网络模型选择:3D vs
3、 2D 2D分割网络对数据标注完整性要求低 可选择性标注典型层(UNet、HRNet) 3D标注要求高,右图耗时2人天 Conv3D Norm ReLU ConvBlock#1, 32 ConvBlock#2, 32 ConvBlock#3, 32 ConvBlock#4, 32 Input Input Output Output Input,2,384*384*64, ConvBlock,32,333 Average Pooling DenseBlock Max Pooling ConvBlock,128,111 DenseBlock ConvBlock,512,111 Global Average Pooling L2 Normalization Dense Output AM-Softmax loss Label ConvBlock DenseBlock 肺部CT辅助诊断 深度 88