在過去十年中，腹部超聲波檢查方法一直沒有發生太大變化，醫生仍然需要一邊在患者的腹部移動探頭一邊盯住屏幕查看模糊的圖像。近期美國研究人員的一項深度學習研究成果可大大提高此流程的準確性，從而將速度加快千倍。

通常情況下，完成腹部超聲波檢查大約需要半小時的時間。雖然半個小時似乎并不算長，但醫院每年要為大量的病人進行數千次掃描，總體花費的時間可想而知。

對于腎臟、肝臟及膽囊等內臟器官異常檢查的診斷，醫生通常需要付出大量努力。他們必須找到超聲成像的正確角度，為這些視圖添加文本注釋并記錄相關的測量結果。

西門子公司和范德比爾特大學（Vanderbilt University）的研究人員正致力于借助深度學習來實現這些任務的自動化。他們使用了NVIDIA GPU以及由cuDNN加速的PyTorch深度學習框架，來開發首個可以同時分類和檢測器官及任何異常的系統。

他們的模型將大大加快整個過程的速度，患者再也不用等待持續時間長達半個小時的腹部超聲波檢查。這意味著，在完成一次傳統的腹部超聲波檢查的時間內，利用該系統可以做將近30次同樣的檢查。

該研究的首席研究員、范德比爾特大學電氣工程和計算機科學的研究助理教授Yuankai Huo表示：“我的目標是開發一系列強大而高效的醫學圖像分析算法，以理解大規模醫學圖像數據。”

教會機器人進行多任務處理

在之前醫療成像過程自動化方面的嘗試中，每個分類和特征點檢測任務都會部署一個網絡。然而，由于大多數超聲波掃描儀的計算資源和存儲資源有限，這種嘗試并不實際。

為克服這些限制，研究團隊通過單一的網絡，在基于深度學習的新系統上處理所有任務，從而提高了效率和實用性。研究人員使用來自706位患者的187000多張圖像訓練此系統，而NVIDIA GPU的高速，使這一幾乎不可能完成的任務成為可能。

上圖為腹部超聲波分析任務概覽圖。右上角表示相關的特征點檢測任務，長軸和短軸特征點對分別以紅色和綠色表示。

該研究團隊利用其系統對患者器官的掃描圖像進行分類和檢測，并取得了很好的結果。該系統的表現不僅優于以前的神經網絡，在診斷身體異常的準確率上也超過了人類專家。

“借助NVIDIA GPU，計算能力的提高正幫助我們達成以前不可能實現的科學目標。計算能力的提升重塑了整個醫學圖像分析領域。”Huo說道。

醫療領域和深度學習技術的進步，使得患者不必經歷長時間的超聲波檢查。醫生也得以有更多時間與患者溝通，并制定更合適的治療方案。