通过研究注意力机制、多尺度卷机和数据增强方法（随 机掩盖、真假数据融合等），解决医学影像中个体差异大的 病灶或病例难以有效识别的难题，突破微小病灶或细胞等小 目标难以被识别的瓶颈。

一、项目简介 磁共振成像以其具有多模态成像、高分辨及无辐射伤害等优点，在临床医学影像中具有无可替代的地位。然而较慢的成像速度及易受各种伪影干扰是其主要缺点。另一方面，随着临床上对磁共振成像需求的急剧增长，诊断医生的缺口越来越大，并严重影响病人得到及时、准确的诊断。因此，在磁共振成像中引入以深度学习为代表的智能技术，一方面用于加速成像采集速度及提高成像质量，另一方面用于进行智能诊断，解决临床医生人力不足、误诊率较高的问题。 二、前期研究基础 基于我们在磁共振成像方法设计、超分辨率重建及临床应用等方面的跨学科研究优势，我们利用深度学习技术对磁共振成像的各个方面进行整合优化设计，并取得许多重要的初步成果，具有良好的前期工作基础。 三、应用技术成果 我们在深度学习与超快速磁共振成像方面的结合进行了深度研究，并取得许多重要成像。我们研究了基于深度学习的超快速多参数磁共振成像重建，并取得良好的效果，如图1所示。我们还研究了利用深度学习对磁共振成像进行无参考扫描的扭曲校正，如图2所示。

本发明提出了一种医学影像计算机辅助分析方法，包括以下步骤：通过红外光源和红外热成像仪对医学影像进行一次扫描，对一次扫描图像的体数据进行图像分裂操作，得到一次图像数据；通过可见光光源和感光元件对所述医学影像进行二次扫描；对二次扫描图像的体数据进行所述图像分裂操作，得到二次图像数据；将所述一次图像数据和二次图像数据绑定，与病理数据库中已有的病理样本相比对，比对过程具体为一次图像数据互相比对，二次图像数据互相比对。

多模态医学影像信息处理与分析，具有重大的应用背景，是国家和社会当 前高度重视的研究领域之一。 本项目拟基于机器学习方法，主要研究医学影像的特征描述、设备无关性 的特征评价与特征选择、基于内容的多模态医学影像检索、医学影像信息挖掘、 参考库建设与算法辅助研究平台的设计与开发等内容。研究目标为： （1）建立统一的特征描述模型，实现跨模态医学影像的统一特征描述； （2）提出有效解决特征提取层面上医学影像信息处理与分析算法的设备无 关性问题的通用框架； （3）在医学影像标注数据有限、数据库为海量等条件下，实现高效率单模 50 态影像检索，有效提高多模态、跨模态医学影像检索的精度，实现用户友好的 检索结果展示； （4）从结构复杂的多模态医学影像数据中，挖掘有用的知识，构建有效的 辅助诊断模型、实现个人疾病风险预警； （5）完成首期参考库建设与算法辅助研发平台的开发，为项目研究内容的 开展提供有效数据和环境支撑。本项目获得国家自然科学基金重点项目资助，项目执行期 2013.1-2017.12。

是新华医疗强大X线机研发团队专门为高校医学影像专业教学设计的又一力作，本实验台综合了单个实验箱的实验功能，综合性强，可使学生在比较中进行实验，进而提高学生综合运用知识的实验效果，让学生亲身体验，学以致用。主要实验模块包括：整流电路实验、高频X线机逆变频率电路实验、旋转阳极启动与保护电路实验、磁饱合稳压电路实验、曝光限时电路实验、管电压管电流测量实验、接地电阻测量实验、X线机发生器基本工作原理及控制实验等。

中试阶段/n该项目主要针对开源CT 医学影像数据和多中心合作单位提供的多模医学影像数据，采用人工智能技术和自主研制的深度学习算法对心脏左心室、肿瘤等CT 影像数据进行全自动分割，验证了所研制算法在该项目计算机辅助肿瘤智能诊断应用中的有效性，为项目产业化实施奠定了方法基础。成果的先进性或独特性：针对不同类型的医学影像感知设备，设计针对性强的机器学习智能算法；国内同类研究中首次采用“双盲评估+验证”的科研方法对影像数据进

 PACS（Picture Archiving and Communication Systems）是医学影像计算机存档与传输系统的简称，是近年来随着数字成像技术、计算机技术和网络技术的进步而迅速发展起来的、旨在全面解决医学影像的获取、显示、存贮、传送和管理的综合系统。本设计方案完全遵循DICOM3.0国际标准（Digital Imaging and Communications in Medicine），符合医院的工作流程习惯，并可根据医院的实际需求提供整套的PACS解决方案，以满足医院实用、具有良好的扩展性和柔软性。 以读片诊断中心（PACS Station）为中心可组建PACS系统的各个模块，如下图所示。具体的PACS项目可根据医院的规模和投资的大小构成，组建不同级别的PACS系统。   1、放射与核医学影像中心 该模块将医院的CT、MR、DSA、CR、DR、RF等数字影像设备获得的标准DICOM影像传输到PACS系统，进行存储、管理，并通过读片中心显示和诊断。它遵循DICOM3.0国际标准，可以将所有满足该标准的数字影像设备轻松地接入PACS系统，具有无限的可扩展性。 2、视频设备 该模块将超声、内窥镜、病理等视频设备获得的非DICOM影像通过DICOM网关转换成DICOM影像，接入PACS系统。 3、登记与管理 该模块完成病人及其检查项目的登记、预约、病历管理、科室管理和系统维护等功能。包括放射科登记、核医学登记、超声登记、内窥镜登记、病理登记、急诊登记等。 4、DICOM照相输出 该模块将PACS系统中病人的DICOM影像和诊断结果进行编辑，通过激光相机打印，输出胶片。还可以将病人的胶片通过高精度扫描仪转换成DICOM数字影像，输入到PACS系统中。 5、诊断读片报告中心 该模块是PACS系统的核心部分，可以完成调阅病历和查询病人检查状态、阅读各种检查的影像资料、编辑诊断结论和审核等功能。诊断读片工作站具有强大的影像处理功能，可以对图像进行多模式调入、锁定、调节窗位窗宽、放大/缩小、移动、旋转、图像测量、标注、动态播放、伪彩、滤波、均衡、反相、拷贝、导出等操作，支持双屏浏览，内含放射影像描述专家系统，帮助医生快速生成诊断报告。 6、PACS影像存储中心 该模块由PACS服务器和RAID磁盘阵列构成，实现PACS影像的海量存储和自动备份管理。RAID磁盘阵列实现TB级的在线影像存储，可管理医院3－5年的影像资料。可外接CD－R、DVD－RW或磁带机，实现历史影像资料的离线存储。所有在线和离线影像均由数据库统一管理。     7、WEB发布与远程诊断 该模块通过WEB服务器实现B/S方式的影像资料的共享，医生工作台只需IE网络浏览器而不需要安装其他软件，即可浏览影像资料和诊断结论，方便临床和门诊医生。 8、HIS互连 该模块可根据医院现有HIS系统结构，实现PACS系统和HIS系统的互连。 本次开发包括上述的1至6模块，7和8模块作为本系统未来的可扩充功能。 读片诊断工作站（PACS Station）是PACS系统中的核心模块，其他的模块都是为它服务的。它接受和管理所有数字影像设备送来的DICOM影像，从数据库中获取病人的信息，在高精度影像显示器上显示检查的图片资料，对病灶部位的重要影像进行一系列操作，并帮助医生做出最后的诊断。系统结构如图所示。 “管理工作站”负责将病人的基本信息、检查申请和医嘱输入PACS数据库。病人在CT（或者MR、DSA、RF、CR、DR等）做完检查后，检查的影像资料通过DICOM网关PACS Station的DICOM服务器。DICOM服务器将资料存入工作站的影像文件库的同时，通知数据库影像的位置和修改工作流（Workflow）的状态。最后，医生通过读片诊断工作站（PACS Station）主程序，从数据库读取病人信息，从影像文件库读取检查影像并显示，使用该工作站提供的工具对影像资料进行调入、调窗、放大、缩小、移动、旋转、测量（长度/角度/面积）、标注等一系列的操作，键入诊断结论并输出。 适合于中小型医院、县级医院、医学院和大学的附属医院等。 主要技术指标：  PACS Station的主要技术指标如下： 1、PACS Station支持的医学影像的分辨率和灰阶值 医学影像模式 分辨率 灰阶值 X射线 2048x2048 12 CT 512x512 12-16 DA或DF 512x512 8-12 1024x0124 2048x2048 MRI 256x256 12 NMI 64x64 8-16 128x128 256x256 US 64x64 16-32 128x128 2、影像分割模式：有1x1，1x2，2x2，2x3等四种模式（用户可自定义）。 3、调窗：支持鼠标快速调窗；精细调窗；窗宽调节等。 4、影像大小调节：支持 l  无级缩放：缩放倍数无限可调； l  放大镜：在鼠标所在处出现一个方框，方框可自由移动，框内图像被放大一倍； l  图像满幅显示：恢复到图像被载入时的初始状态； l  原始大小显示：被选中的图像以实际物理大小显示。 5、图像移动与翻转：支持 l  图像移动：用鼠标按住图像，直接拖动； l  图像翻转：可水平镜像和垂直镜像翻转； l  图像旋转：可按顺时针或逆时针方向0－360度任意旋转。 6、图像测量：支持以下方式 l  点测量：显示鼠标所在点的CT值（或灰度值）以及坐标； l  长度测量：显示鼠标给定的两点间的长度； l  面积测量：可按矩形、椭圆形和任意多边形显示和测量面积，并显示测量区域CT值的最大、最小、均值等统计参数。 7、图像标注：可用一条标注斜线和矩形方框指向一图像区域，在方框中可输入标注文字。 8、图像动态播放：可按键：“播放”、“暂停”、“首帧”、“前一帧”、“后一帧”等连续显示一个序列的图像。 9、图像处理：支持 l  图像伪彩：对原始黑白灰度的图像，按一定的映射关系转成彩色，增强显示效 果； l  图像增强：通过对比度的线性展宽，提升高灰阶值像素的灰度，抑制低灰阶值 像素的灰度，达到增加对比度的效果； l  中指滤波：显示中指滤波后的图像； l  直方图均衡：显示直方图均衡后的图像，增强原图像中较暗的部分，增强细节； l  反相：显示负片效果的图像。 与国内外技术水平及价格比较： 成果鉴定认为，该PACS系统的各项技术指标已经达到了国际同类产品的先进水平。而系统造价只有进口产品的五分之一到十分之一。 市场应用前景： 根据市场权威部门统计，我国县级以上医院每年用于PACS系统的投资都在50亿人民币以上，并且平均每年以20％的速度递增。市场前景非常客观。

本发明公开了一种具有立体视觉显示的医学影像工作站，所述 医学影像工作站包括计算机主机、3D 显示屏、输入设备和软件系统； 软件系统包括一般医学影像工作站所具备的软件功能模块，以及立体 视觉显示模块、3D 交互模块、2D 显示与立体视觉显示联动模块；立 体视觉显示模块用于实现含景深信息的立体视觉显示；3D 交互模块用 于从输入设备接收用户输入的含景深信息的操作指令，并在 3D 显示屏 上实时、同步显示出操作结果；2D 显示与立体视觉显示联动模块用于 实现 2D 显示屏和 3D 显示屏联动，或 2D 显示和立体视觉显示之间切 换。本发明可以弥补现有的医学影像工作站在立体视觉显示、3D 交互、 2D 显示与立体视觉显示联动方面的不足，从而提高医生的观测效果和 工作效率。

技术分析(创新性、先进性、独占性) 为了充分利用先进的人工智能的新技术，提高医疗影像辅助诊断的水平，使得智能医疗诊断技术提高临床诊断的质量和效率，使其尽快走入家挺、社区，满足人们的医疗健康的需要。研究临床医学影像的2D病灶精细分割和三维跨模态的影像三维重建技术。首先，通过建立多层感知的神经网路，对医学影像的特征进行充分学习，得到影像的几何映射的关系，从而实现对医学影像的三维重建，克服了现有的三维重建技术中度量关键问题，关键技术对于医学影像的精准度量，具有现实意义:其次，在2D病灶分割中，利用半监督学习技术，实现少标签情况下的分割技术，半监督学习技术可以有效解决医学影像中标签难以获取的问题。技术的研究成果的特点是医学影像跨模态辅助诊断技术，对于超声、CT以及核磁共振等影像都有效，并且攻克的神经网络过于复杂的关键问题，所研究技术适用于临床快速便捷辅助诊断。此外，在医学度量方面的关键技术中，突破了人体腹腔及皮下脂肪的精细分割技术的关键技术，可以用于临床辅助诊断中，在关键技术探索中，实现对腔内脂肪特征的精细学习，该技术仅需要少量的影像标准数据，就可以实现皮下脂肪的准确分割，并证明了关键技术的有效性。

面向全球脑科学研究的尖端挑战和我国老龄化带来对退行疾病临床的巨大需求，构建基于人工智能、大数据挖掘等技术的脑影像组学模型，编码与疾病对应的指纹信息，开发Brain Label (SAAS)云，精度比肩国际领先的FSL（牛津大学）和FreeSurfer（哈佛大学）。该平台已在国内神经科排名前十的三甲医院（宣武、天坛等）使用，成为宣武国家临床研究中心的唯一影像大数据技术，为其500余家联盟医院（含深圳市）提供智能化分析服务，也