机器学习在宠物影像算法软件领域的应用｜科技前瞻

　　随着近年来国内宠物市场的快速发展，一直滞后的宠物医疗领域也受到空前重视，紧跟人医，宠物DR也开始广泛应用于宠物医疗诊断。

　　用户直接操作和最后完成影像诊断依赖的是DR系统上装配的影像软件，而影像软件的核心就是图像处理算法。

　　做个形象的比喻，如果把DR硬件设备比作数码相机，影像软件就是具备各种高级工具和专业能力Photoshop，但绝对不是一个简单娱乐的美图秀秀。

　　接下来就让我们一起看看软件算法的核心是如何有效去除图像生成过程的噪音，增强图像通透感和展现丰富细节，同时又能最大程度保留原图像信息的。

　　上面图示1代表硬件，图2是一次拍摄未经图像处理算法调整的图像和经过算法调整过的最终诊断图像。我们可以明显的看出，经过好的影像软件算法调整的影像，使得图像具有丰富的细节，良好的对比度和层次感，更易于宠物医师进行快速和准确的诊断。

　　另一方面通常在影像处理后才进行手动裁剪，前景的无用信息已经和有用的影像信息一起被分析和处理，严重影响了图像的分析和处理，降低了影像品质。

　　软件中的自动束光器裁剪算法，通过大量且种类丰富带束光器图像及不带束光器图像的样本数据对卷积神经网络进行训练，训练好的模型可快速并精度的自动定位到原始图上的束光器边界并裁剪，使得减少放射科技师的工作量的同时，影像的质量更优。

　　图3为设备原始图，图4为自动束光器检测图，绿色边框为检测到束光器边框，后续图像处理只针对绿色框内的有效组织信息进行处理，减少需处理的数据量。

　　设计算法过程中，基于大数据分析和机器学习技术，对大规模的良好曝光图像和曝光不加图像进行特性分析，学习相应的特征，获取DR各部位的合适EI范围。

　　在宠物DR利用算法计算出对应曝光指数曲线，存储于影像软件，进行自动调节和设置硬件的EI参数。这种功能算法就像自动控制数码相机的光圈与快门，达到准确聚焦的效果一样。

　　曝光剂量过低将导致X射线成像质量差，清晰度低，影响诊断；曝光剂量过高，将对组织造成一定伤害，影响医护人员及宠物的健康。

　　在X线摄影中，会产生一些方向不同的低能量的散射线，这些散射线会使图像产生灰雾，影响图片的清晰度。

　　为了吸收这些散射线，通常使用铅条排列而成的滤线栅，但有时滤线栅的也会在平板上成像，形成条纹状的滤线栅伪影。是否能够滤除滤线栅伪影，把伪影的偶发影响降到最低是图像处理的关键技术之一。

　　在滤线栅栅影的检测与去除操作中，引入人工智能，利用神经网络对栅影样本的学习进而训练一个去栅网络模型。该模型可自动找到栅影的位置，去除滤线栅形成的伪影的同时，又能够保留原 X光片上的细节和病灶，保证了医生阅片的真实性，提高了诊断的可靠性。

　　图像处理算法通过多种高级处理模块的组合突出细节提高清晰度的同时有效地抑制噪声改善图像质量。此算法能够自适应的、支持多分辨率的，让图像更加通透，体现丰富的组织细节，比如：肠道，骨骼等都能比较均衡的展现。

　　针对宠物不同厚薄、大小的部位，需要不同算法：例如：爪子、头部，算法都不相同。图7是狗成像的原始图，图8是康桥DR处理后的效果图，肺部纹理，气管细节和内脏区的细节都清晰可见。

　　这个窗宽窗位的计算也是需要有个调优过程，拉的不对，图像不是偏黑就是偏白，上述左上角就是经过自动调窗的图像，其他3幅图像都是调窗不当的图像。

　　可见调窗不当，一幅好的图像也无法达到准确诊断的目的。用算法能够做到自动调优找到最佳窗宽窗位值，让拍摄20kg金毛或1个月小猫，都可以得到很好的效果，获得尽可能大的可见范围和最好的对比度效果。

　　上述宠物DR影像软件算法应用已经基本上涵盖了宠物医学影像优化的关键点，处理好这几个方面的算法优化，就能达到无需干涉，自动出图，减少人工操作及干预，把硬件的原始图优化成宠物医师便于观察的清晰图像，进一步提高诊疗效率和准确度。

　　市场上的影像软件基本上都有相关的算法实现，差异并不大。国外的医学影像软件厂家protech、examion......算法技术方面也无外乎这些，国内的软件算法水平不比国外的差。

　　另一种虽然在某些方面比较专业但是没有把握用户的真实使用需求，功能强大但是配置复杂给使用医师造成了很多使用困扰。在算法的提升方面也非常有限，对图像的质量提升很难有超过5%。

　　算法的优化是获得一张高清图像的关键，但影响最后成片质量的还有一些外部因素，比如显示器的质量。

　　目前宠物DR设备市场上存在重DR配置轻阅片配置的现象，在DR的影像链已经普及3072*3072分辨率（近千万像素），14-16bit灰阶度的情况下，还在使用几百块钱的办公用液晶显示器查看影像图片。

　　不同厂家的低配显示器对比度，色度和辨识度差异极大，不同显示器显示同一张图像的风格完全有可能不一样。

　　这也是目前人医阅片统一使用专业显示器避免出现误诊的主要原因，普通的办公显示器根本达不到医学影像诊断要求。

　　在人医方面早就普及了专用医学影像显示器，在分辨率，高亮度，高灰阶度，一致性方面远远超过普通办公显示器，今后宠物专用医学影像显示器肯定会在宠物数字化诊断方面得到普及。

　　经过近几年宠物DR的普及，积累了大量影像数据，这为机器学习和大数据分析引入宠物影像领域提供了良好的基于和丰富和素材。

　　基于层次化深度学习的海量宠物医学影像数据，建立算法框架，提取医学影像特征并分类，对不同层次、种类的影像算法进行训练。使得宠物DR软件更加智能，更加高效并能为医师提供各种条件下的最佳影像解决方案。

　　当前机器学习是模式识别领域的研究热点，各种基于深度学习的AI功能在医学及人工辅助等领域大放异彩。

　　借助机器学习及人工智能的表征处理能力，把很多现实问题转换成可以处理的形式，未来宠物DR智能化也将成为一种趋势。

　　1、CAD，即计算机辅助诊断，宠物医师可以据此评估宠物的治疗情况，以及术前术后的差别等。辅助诊断也可以通过图像分析的方法，找到肿瘤和病灶。

　　3、图像配准与融合，图像有结构性与功能性之分，后者图像空间解析度差，可以看到组织的代谢情况，但不知道位于组织中的位置。

　　所以需要影像配准与融合，将不同类型的图像结合在一起，一个提供清晰的结构，一个提供代谢情况，这样可以了解到组织与器官的病变。

　　4、影像资料库的搜寻与对比，即如何从资料库中检索出相关数据的数据，与类似数据进行对比横向纵向分析再通过CAD得出有效建议供医师参考。

　　结合机器学习相关算法及技术，让宠物DR智能化、简单化（less is more），让宠物医学影像更便于使用，才能进一步提升诊疗效率，效率提升是技术进步的核心。

　　特邀作者：沙迦，十年计算机机器学习、七年影像算法经验。曾就职于多家人医影像知名企业，担任算法研究员。现关注于机器学习和人工智能在影像算法领域的研究和应用。