人工智能在医学影像数字X线摄影质量控制方面的技术优化

胡君花 黄倩 胡安宁

（南京大学医学院附属鼓楼医院医学影像科，江苏 210008）

摘要：目的：研究目前医学影像数字X线摄影（DR）质量控制现存的问题和人工智能（AI）解决问题的方法和预期应用价值。方法：分析如何进一步提高质控效率、提升质控质量、优化完善质控管理工作。结果：AI与DR成像结合，对DR质量控制具有积极的改善作用。结论：AI在影像技术上应用越来越广泛，DR评价的行业准则也会随AI与质量控制结合逐步建立起来，质控评价会更科学、更合理。

关键词：人工智能;质量控制：数字X线摄影

中图分类号：R814.3;TP18文献标识码：ADOI：10？郾3969/j.issn.1001-0270.2020.06.04

Abstract： Objective： To study the existing problems of digital X-ray radiography （DR） quality control of medical image， and the methods and expected application value of artificial intelligence （AI） to solve the problems. Methods： Analyze how to further improve the quality control efficiency， improve the quality of quality control， optimize and improve the quality control management. Results： The combination of AI and DR imaging has a positive improvement effect on DR quality control. Conclusion： AI is more and more widely used in image technology， the industry standard of DR evaluation will be gradually established with the combination of AI and quality control， and the quality control evaluation will be more scientific and reasonable.

Key Words： Artificial Intelligence; Quality Control; Digital X-ray Radiography

1 引言

近年来，我国大力发展创新，促进人工智能（Artificial Intelligence， AI）和实体行业深度融合，AI不断发展，其与医学影像的结合被认为是最具发展前景的领域[1]。AI在医学影像中的应用，主要包括计算机辅助诊断、影像组学、影像基因组学等场景[2]。AI与医学影像质量评价结合，有助于医学影像学对于影像图像质量的客观评价，优化图像的质量管理。

2 目前存在的问题

胸部数字X线（DR）检查由于各医院技师操作水平不一样，不同厂商、不同型号的影像设备存在参数设置的差异，即使同一台设备，扫描所呈现的图像也会有些许差异，导致影像数据标准各异，图片质量参差不齐。同时由于缺少统一质量评控方案，实现影像图像质量和格式的同质化过于困难[3]。在DR影像质控方面，影像质量的评价最常用最直接的方法是影像医师的视觉主观评价，这种评价方法主观性强，容易产生偏见，其定性评价结果差异较大，且费时费力，具有一定限制。

3 解决方案

随着深度学习、图像采集、数据处理等关键技术的飞跃，基于图像识别技术的影像学和影像组学也随之进步[4]。AI技术与影像技術相结合，通过将智能系统记忆基于全局特征和深度卷积网络的结合，进行质量控制评分与错误评述[5-6]，以方便影像质控工作人员对图像质控在数量及质量上有巨大的提高。

在DR质控方面，将PDCA与AI结合起来，即分别从计划（Plan）、执行（Do）、检查（Check）、调整（Action）四方面入手。

计划（Plan）：通过计算机深度学习算法及原理，对DR影像质控工作进行智能化安排和合理性设计并制定相关工作计划准则。

执行（Do）：主要包括五个环节： ①图像采集：通过影像扫描方式采集图像，比如我们所采取的DR;②感兴趣图像分割：感兴趣图像，通常指的就是病灶，比如肿瘤区域;③特征提取：对感兴趣区域进行影像特征提取;④量化分析：对上述特征进行统计分析，常用的分析方法有重复测量信度分析、主成分分析、相关性分析和随机森林等;⑤模型构建：通过深度学习方法建立基于影像组学特征预测和分类模型[7]。

检查（Check）：质控小组成员对所有计算机学习并给出评分的图像质控，对比质控小组与AI组得出数据的差异性，分析原因，让AI评分系统继续学习，直到所有图像的数据与质控小组一致，从而完善AI质控评分系统的准确性。DR通过人工智能系统得出评分，杜绝了由于人为主观判断造成的质控结果偏差。

调整（Action）：通过计算手段对数据进行自动调整及系统优化[8]。这四个过程周而复始地进行，一个循环解决一些问题，未解决的问题进入下一个循环，通过这样螺旋式上升解决问题。AI所进行的质控评价在客观性和质量上都能在很大程度上帮到我们，可以给技术提升带来长足的进步，更能提高今后的摄片质量，方便临床诊断，造福病人。

4 预期应用

对已产生的质控结果进行结构化分析和统计，对放射科工作人员摄片操作的规范化以及图像质量的系统化管理进行优化和改进。综上，把所有信息进行整合处理，根据考核标准，将每张摄片进行评价及打分，对不合格的图像进行及时纠正及重摄，有助于优化图像的质量管理。通过前馈系统优化出片的质量，方便诊断及临床需要，也能够通过反馈提高放射科技术人员的摄片水平。

5 结论

尽管技术发展仍存在缺陷及瓶颈，但随着算法及科技的革新，AI在影像技术上的应用越来越广泛，DR评价的行业准则也会随AI与质量控制结合逐步建立起来，届时质控评价会更科学、更合理，DR技术及行业质量将会有飞跃的进步。

参考文献：

[ 1 ]许强，张其锐，卢光明.新一代医学影像人工智能临床转化现状与挑战[J].中华放射学杂志，2019，53（11）：913-915.

[ 2 ]季冰，刘伶俐.人工智能在医学影像领域的应用与挑战[J].中国医学伦理学，2019，32（8）：981-985.

[ 3 ]李沛鼎.浅析放射科影像质量控制策略[J].中西医结合心血管病电子杂志，2017，5（26）：29.

[ 4 ]王云.人工智能加码医疗影像[J].上海信息化，2018（5）：54-57.

[ 5 ]孙利雷，徐勇.基于深度学习的乳腺X射线影像分类方法研究[J].计算机工程与应用，2018，54（21）：13-19.

[ 6 ]付伟锋，邹维宝.深度学习在遥感影像分类中的研究进展[J].计算机应用研究，2018，35（12）：3521-3525.

[ 7 ]史张，刘崎.影像组学技术方法的研究及挑战[J].放射学实践，2018，33（6）：633-636.

[ 8 ]吴晓芬，王培军.我国放射影像质量控制管理现状及发展趋势探讨[J].中国医疗设备，2019，34（1）：156-158.