返回首页
您的位置:首页 > 新闻 > CCF新闻 > CNCC

CNCC “智慧医疗”技术论坛成功落下帷幕

阅读量:308 2020-10-27 收藏本文

2020年10月22日下午,CNCC的第1天,由CCF主办,沈阳经济技术开发区管理委员会、沈阳市产业转型升级促进中心、沈阳华瑞博信息技术有限公司承办的“智慧医疗论坛——人工智能助力医疗健康发展”技术论坛在沈阳成功举办。


CNCC大会已经顺利结束,并且已经完成相关视频的上传工作,回放功能现已开启,如果想查看CNCC期间的视频,可以进入CNCC官网的大会日程中观看。

微信图片_20201027140432


本论坛执行主席由杨金柱教授(东北大学计算机学院常务副院长)和马建华教授(南方医科大学生物医学工程学院)担任。会议邀请了六位讲者,包括东软汉枫医疗科技有限公司董事长兼首席执行官卢朝霞教授(东北大学)、中科院分子影像重点实验室田捷教授(北京航空航天大学)、国家杰出青年科学基金的获得者刘华峰教授(浙江大学)、中国科学院自动化研究所刘勇研究员、东南大学计算机科学与工程学院影像科学与技术实验室教授、东软医疗智能医学影像事业群总经理,人工智能与临床创新研究院院长黄峰博士。为业内人士带来了一场顶尖的学术盛宴。


CCF沈阳分部、CCF YOCSEF沈阳以及来自全国各地的CCF会员、知名企业技术骨干、政府代表等30余人在现场参加论坛。



首先,卢朝霞教授带来了题目为《5G智慧医疗的思考与实践》的报告。他介绍了5G技术与医疗之间结合的现状和带来的挑战,重点剖析了医疗物联网是医院信息化发展的下一阶段,深入讨论了5G智慧医院建设的新路径,即构建“1+3+4+N”建设智慧医院工程和以云(平台)-管(网络)-端(终端)-用(应用),构建5G智慧医院。预测了5G+IoT驱动智慧医疗新应用和新业态,提供精准医疗、精益管理和精心服务。卢教授指出:“5G+智慧医疗物联网可以协同创建新平台”。


田捷教授带来题目为《基于人工智能与医疗大数据的影像组学及其临床应用》的报告,他介绍了近年来人工智能技术的迅速发展和医学影像数据的急剧增长,催生了医学领域影像组学的发展,全面回顾在肿瘤诊疗过程中面临的挑战,包括术前影像不准确、术中治疗凭经验、术后病理太滞后等挑战,发现肿瘤精准诊疗的机遇,在活体细胞分子生化事件异常,使用分子影像可以使精准医学可视化。然后介绍了以人工智能为工具,实现从结构到分子细胞功能可视化和定量化的方法,该方法的研究主要包括两个方面:基于人工智能的影像重建,基于人工智能的影像组学。传统的MRI重建受到大量采样及噪声等干扰,使用深度学习MRI重建克服信号采集失真问题,以提高重建质量。影像组学结合医学影像、基因和临床大数据,利用人工智能方法高通量地提取并分析肿瘤信息,为临床提供辅助决策支持。


田捷教授指出:“人工智能定量分析医学影像大数据,从宏观和微观的空间维度分析,可以辅助精准诊断,从治疗和预后的时间维度分析,可以辅助精准治疗,人工智能可以适用于临床大数据驱动的肿瘤研究和应用”。



刘华峰教授带来了题目为《PET成像:从稀疏表达到深度学习》的报告。此报告中,他介绍了用于现代核医学影像技术和临床医疗诊断的重要手段PET(正电子断层成像)系统,并指出了在PET图像重建方面,PET探测原理是实现高分辨率的硬伤,探测方式是将γ射线变成可见光,可见光转换成电子,再将电子探测出来。想要提高PET技术有两种方法,一是增大剂量,这是不可能实现的;二是提高探测速度和转换速度。在PET图像重建方面引入了低秩约束和稀疏表达的理念。这种方法可以在低计数量的情况下仍然获得较高质量的重建图像,解决了动态PET成像中图像时间连续性与图像重建精度之间的矛盾。


刘华峰教授认为随着深度学习的发展,将深度学习与PET成像结合起来,为PET质量提升提供新的手段。



刘勇研究员带来了题目为《面向阿尔茨海默病早期识别的多中心脑影像研究》的报告,首先介绍了阿尔茨海默病(Alzheimer Disease, AD),是一种不可逆的神经退行性疾病,世界上治疗AD的药物有三种,并且在使用一段时间后,人体会对药物产生抗药性。指出利用脑影像研究阿尔茨海默病(AD)的早期影像学标记是目前AD早期识别研究的主方向之一,通过对比高危人群和患有AD人群的mark特征,能够提早识别并预防疾病的发生。提出主流的机器学习方法阿在脑影像研究中具有开放环境、不鲁棒、大数据依赖和不可解释的瓶颈,针对脑疾病诊断的实际需求,提出满足鲁棒可靠、小样本泛化、解释性强的新型机器学习模型和算法。他分享了最近基于多中心磁共振影像探寻AD早期识别影像学标记的部分研究结果,探索从寻找群组差异到个体化定量预测的转变可能性,最后介绍基于多中心多模态脑影像构建AD早期识别系统的初步结果。他表示:“可以通过寻找群组差异,可以提早预测高危人群的疾病发生”。



陈阳教授带来了题目为《Convolution Network based Feature Learning for Medical Image Reconstruction》的报告,他指出医学影像是一种以创造身体内部的视觉表征,以做出准确诊断和优化治疗的技术。重建算法需要应用于图像生成,如计算机断层扫描(CT),超声(US),正电子发射断层扫描(PET),单光子发射计算机断层扫描(SPECT),磁共振成像(MRI)/功能MRI (fMRI)和荧光显微镜。然而,由于内在的低信噪比(SNR)、光子稀缺性、测量持续时间或辐射问题的限制,医学图像重建在许多应用中常常是一个不适定的逆问题,例如低剂量(x射线)计算机断层扫描(LDCT)、PET/SPET和扩散加权磁共振成像。采用传统算法(如CT中的滤波-反向投影法)求解反问题往往会导致图像质量较差,诊断准确率较低。本讲座通过特征学习在CT和MRI中的应用,介绍、解释和讨论基于卷积网络的特征学习在低信噪比医学图像重建中的应用,以及范例在CT和MRI中的应用。他表示机器学习特别是深度学习技术在医学成像、医学图像处理和医学图像分析等领域得到了积极的发展,已成为医学图像重建的新兴手段。



黄峰教授带来了题目为《人工智能技术在影像成像端的应用》的报告,他指出医学影像的两个环节是获得影像和使用影像,并且根据影像获取存在的问题,即设备端的操作复杂、图像质量不稳定、扫描时间长、扫描有辐射和设备运维复杂等,提出了在MRI、CT、DSAT等影像设备中,人工智能技术在快速成像、图像增强、低剂量成像、工作流改进等成像端领域的应用, 以及使用人工智能技术解决的临床问题。他指出:“人工智能技术在多方面解决医学影像成像端的问题,直击医院和患者的痛点问题”。



经过三个半个小时的报告,本论坛的基本观点总结如下:

(1)利用5G技术建设医联体、医共体,将优质的医疗资源辐射到基层,实现“健康中国”目标;

(2)人工智能技术使影像信息分析精度逼近病理金标准,实现智能分析和辅助诊断;

(3)深度学习的发展使医疗诊断更加快速、准确。

总之,人工智能技术极大地促进了智慧医疗的发展!


最后,论坛主席杨金柱对本次论坛进行了总结,今日大会顺利结束。