日前，合肥研究院宋博研究员项目团队基于人工智能-深度学习技术的医学影像分析方法研究，开发了同步实现脊柱中心线提取及脊柱侧弯量化评估精确诊断模型，可大幅度提高检测精度和速度。该项研究可以广泛应用于食道、血管类疾病、脊柱类疾病等管状解剖结构的医学诊断。
医学图像分析是医学术语，指综合医学影像、数学建模、数字图像处理与分析、人工智能和数值算法等学科的交叉领域。
随着计算机的发展和数字化仪器的出现，人们开始把X线胶片的模拟图像转变为数字图像存储和传输;另外，计算机技术的逐步成熟也提供了相当的计算能力。研究者开始尝试把医学模拟图像转化为数字图像，开展了计算机辅助诊断的初步研究，试图在一定程度上辅助医生判读医学图像，排除人为主观因素，提高诊断准确性和效率
医学图像的感兴趣区分割研究，是医学图像分析中最重要的基础，准确、鲁棒和快速的图像分割，是定量分析、三维可视化等后续环节之前的最重要步骤，也为图像引导手术、放疗计划和治疗评估等重要临床应用奠定了最根本的基础。
图像配准方法可以分为基于外部特征和基于内部特征两类。使用外部特征的通过人工设置的标记点实现配准，如立体框架定位、皮肤标记法等;而基于内部特征方法通过寻找图像内部解剖结构上的特征点或外部轮廓和表面的对应关系实现配准。
互信息量是随机变量统计相关性的测度，在医学图像配准中得到广泛应用 。由于最大互信息方法不需要假设不同成像模式下的图像灰度的相关性，也无需对图像进行分割和预处理，非常适合三维多模医学图像配准，具有精度高、鲁棒性强的特点。目前，医学图像配准技术和分割技术一样，出现了很多成熟的方法和软件，是医学图像分析中的基本技术之一。
可视化在医学图像分析中扮演重要角色。医学图像可视化技术是指利用从实验中获得的、扫描器测得的、计算模型合成的医学图像数据，重建三维图像模型，并进行定性定量分析，为用户提供具有真实感的三维医学图像，使人们更清楚地认识蕴涵在体数据中的复杂结构，便于医生多角度多层次地观察和分析，并且能够使医生有效参与数据处理与分析的过程。
图.jpg
医学图像可视化技术，按照绘制过程中数据描述方法的不同，通常分成两大类一面绘制和体绘制。面绘制技术是指对体表面重建，即从切片数据提供的三维数据场中抽取等值面，然后用传统图形学技术实现表面绘制。
面绘制可以有效地绘制出物体表面，但缺乏对物体内部信息的表达。体绘制则是以体素作为基本单元，直接由切片数据生成三维物体图像，表示物体内部信息，但是计算量很大。此外，将那些融合了这两种技术特点的重建算法归纳为第3大类——混合绘制技术。
深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
从一个输入中产生一个输出所涉及的计算可以通过一个流向图来表示：流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本的计算以及一个计算的值，计算的结果被应用到这个节点的子节点的值。考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。输入节点没有父节点，输出节点没有子节点。
深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：
(1)基于卷积运算的神经网络系统，即卷积神经网络。
(2)基于多层神经元的自编码神经网络，包括自编码以及近年来受到广泛关注的稀疏编码两类。
(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。
通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”或“表示学习”。
新闻来源：中国科学院合肥物质科学研究院