吴博：目标检测集成框架在医学图像 AI 辅助分析中的应用 ｜ AI 研习社第 78 期大讲堂

如何界定 AI 在医学图像分析中的范畴并设置相关任务及模型方法？

　　在医学图像分析中，目标检测任务的普遍性使得开发目标检测集成框架显得尤为必要。近日，深圳市宜远智能科技有限公司的负责人吴博在雷锋网 AI 研习社的公开课上，详细剖析了目标检测已有框架，并分享了如何改造这些框架以在医学图像分析中取得更佳效果。以下是本次分享的主要内容：

医学图像分析的任务类型及对象

　　医学图像分析的任务类型主要包括：

1. 分类与识别：这是最简单直接的任务类型。例如，通过 X 光模型判断是否有肺炎等病症。图像分类与识别是常见的图像分析任务，也是图像检索的基本单元。
2. 目标检测：这一任务类型在医学图像分析中尤为重要。目标检测与医学图像分析之间的联系可以从计算机辅助诊断（CAD）的历史和发展中看到。CAD 分为两类：计算机辅助诊断（CADx）和计算机辅助检测（CADe）。CADe 更接近目标检测。
3. 分割：包括语义分割和实例分割。在医学图像分析中，这涉及到器官分割、病变/病灶分割等。医学影像分割与常规图像的语义分割、实例分割有所不同，但也可以借鉴目标检测的方法。

目标检测集成框架的应用流程

　　在进行目标检测之前，需要准备训练数据。从医院、医疗机构、医生以及数据源中，我们会积累、整理并清洗大量数据。其中，数据清洗是一个复杂且庞大的环节，而标注是数据准备的重点。接下来，我们推荐使用 Detectron 框架，并在实验过程中发现其存在的问题，进而优化出 eWingDET 框架。eWingDET 框架支持 bbox 和 mask 两种识别目标的任意切换，支持多种类的图像增强方式，以及 2D、3D 图像的目标检测。

与医生合作做好 AI

　　在医学图像 AI 的实际应用中，与医生的合作至关重要。AI 工程师需要具备以下能力：

1. 与医生协作的能力：这是与 EQ 有关的能力。医学影像研发需要经常与医生沟通，将医生的思路模拟成代码。这一能力对于 AI 研究人员来说至关重要。
2. 从数据中找寻优化模型思路的能力：这是与 IQ 有关的能力。医学影像数据每个医院都不同，需要花大量时间研究数据规律，以优化模型。控制好数据敏感性是控制效果的关键。
3. 把论文新思路和新框架引入实际工作的能力：这是与勤奋有关的能力。需要紧跟最新的前沿进展，但也要注意实际复杂多变的医学图像可能遇到的问题。

总结

　　本次分享详细讲解了医学图像分析的方法和流派，并重点介绍了目标检测在医学图像分析中的应用流程。同时，还分享了如何与医生合作做好 AI 以及 AI 工程师应具备的能力和修炼方向。希望通过本次分享，能够对大家在实际应用中的目标检测集成框架有所帮助。更多公开课视频请到雷锋网 AI 研习社社区观看。关注微信公众号“AI 研习社”，可获取最新公开课直播时间预告。