医学影像分割系统综述Data preparation for artificial intelligence in medical imaging: A comprehensive guide ...

• Data preparation for artificial intelligence in medical imaging: A comprehensive guide to open-access platforms and tools
• 数据准备流程

  

  
  (i)临床站点的图像采集，(ii)图像去识别以去除个人信息并保护患者隐私，(iii)数据管理以控制图像和非图像信息的质量，(iv)图像存储和管理，最后(v)图像注释。
  • FAIR数据指导原则：可查找、可访问、可互操作和可重用的
  • 数据分类：与患者健康信息链接的任何受保护的健康信息(PHI)和个人可识别信息(PII)
    PII：可包括来自电子健康记录(EHR)、医学图像、临床和生物学数据，以及卫生服务提供者收集的任何其他数据
  • 数据格式：DICOM。通常称为元数据，图像包含一个标题，其中包含关于图像序列、医院、供应商、临床医生或患者信息等信息。
  • 去识别工具：FreeSurfer的 mri_deface、pydeface、mridefacer和Quickshear
    前三个是python库
    • 数据去识别工具的要求列表：不用的识别信息除去，用的看情况留；在临床站点训练，避免数据二次传输
    • ISO 25237：现有隐私保护采用标准
    • 详细列表

    • 

      

  • 内容管理工具：可进行格式转换和数据测试训练集管理

  • 

     
    • DICOM格式下例如DCMTK
    • GUI:Posda, DVTk, dcm4che, BrainVoyager, LONI Debabeler，dcm2niix的GUI是MRIcroGL
      Posda、DVTk和dcm4che提供web\GUI接口
  • 图像存储

  • 

     
    • PACS：在中央数据库中存储多模态医学图像(MRI、计算机断层扫描CT、正电子发射断层扫描PET等)，并通过基于浏览器的格式(即DICOM)进行通信，这些格式可在整个医院以及多个设备和地点轻松访问。（会多重备份
      质量保证(QA)工作站:验证患者统计数据和研究的任何其他重要属性。•存档(中央存储设备):存储经过验证的图像以及任何报告、测量和其他相关信息。•阅读工作站:放射科医生审查数据并制定诊断的地方。
      • 医疗自动化系统接口：医院信息系统(HIS)、电子病历(EMR)和放射信息系统(RIS)
      • 开源解决例子
        Dcm4che (https://www.dcm4che.org)
        Kheops (Home - KHEOPS )
        可扩展神经影像档案工具包(XNAT) XNAT - Home
        
        
        
         

        • 

        • XNAT:Java web,在Postgres数据库中搜索,基于XML的数据模型，它可以支持任何类型的表格数据
        • Dicoogle:开源PACS存档，没数据库
        • Orthanc
        • 3D图像的标注：3D Slicer
  • 图像注释工具：3D Slicer

  • 

     
    • ITK-SNAP:贴标可在所有三个正交切面(轴向、冠状和矢状)上进行，并显示为3D渲染
    • MITK:辅助注解服务器的能力，并执行自动分割
    • Horos Viewer：基于OsiriXTM和其他开源医学图像库
    • ImageJ：java，支持DICOM
    • 插件：
      • Bio-Formats:专有的显微图像数据和元数据转换为标准化的开放格式
      • SciView:图像和网格的3D可视化和虚拟现实功能
      • MaMuT:用于浏览、注释和管理大图像数据的注释
      • Trainable Weka Segmentation：产生基于像素的分割
      • crowd Cure和CMRAD平台：云端
  • 医学图像存储库
    • 按目标器官和疾病分类的开放获取医学影像数据库的各种来源

    • 

       
      • TCIA：针对癌症成像的多种器官影像。DICOM格式，使用国家生物医学影像档案(NBIA)软件(https://imaging.nci.nih.gov)作为骨干
      • UK Biobank：临床数据
        如电子病历，它拥有超过10万名参与者的成像收集，包括大脑、心脏、腹部、骨骼和颈动脉的扫描
      • MICCAI：(https://www.biomedical-challenges.org/)争议性数据评估平台
      • Kaggle
      • 神经成像数据集：IDA、OASIS、NITRC和CQ500

      • 

      • 视网膜眼底图像分割：STARE、DRIVE (Grand- Challenges的一部分)和HRF
      • 皮肤病变的数字图像集合：国际皮肤成像合作组织(ISIC)
      • 乳腺癌筛查乳房x线照片：OPTIMAM (OMI-DB)
      • 超声心动图视频：EchoNet- Dynamic
      • 心血管研究：euCanSHare
      • 常见胸部疾病的带注释x线影像：NHS Chest X-ray
      • 诊断肺部CT图像：康奈尔大学工程:视觉和图像分析实验室存储库
      • covid - 19：BIMCV COVID19 ， COVID- 19 Image Data Collection
        • MICCAI：https://covid-segmentation. grand-challenge.org
      • TCIA数据库
• 挑战：关于各个阶段都有
• AI发展方向：(i)数据增强与合成，(ii)Federated learning，(iii) AI的合理使用问题，(iv)不确定性估计
  • 数据增强与合成：使用可行的几何变换、翻转、颜色修改、裁剪、旋转、噪声注入和随机擦除的基本策略，以及其他更先进的技术，包括创建新的合成图像，如生成对抗网络
  • Federated learning：多个分散的持有本地数据样本的临床站点上训练算法，而不交换数据样本。经过本地训练的AI结果随后会在一个集中的位置组合起来。
  • 合理使用：临床站点收集的常规临床数据可能存在缺陷、偏差(如性别失衡)或容易产生噪声(如存在图像伪影)。通过定义有效跟踪这些问题的算法，可以实现一些进步
  • 不确定性：模型准确度，提示临床医生对软件的依赖程度