醫學圖像是臨床診斷主要依據之一，對醫學圖像的處理分析具有十分重要的理論和臨床價值。本文詳細分析了醫學圖像處理面臨的挑戰，闡述了醫學圖像傳統處理流程以及GPU的作用，總結了人工智能醫學影像發展現狀、問題以及GPU算力加持下深度學習醫學圖像處理算法的演進趨勢。

醫學圖像處理面臨的挑戰

自倫琴1895年開創X射線人體成像先河以來，計算機斷層掃描 (CT) 、磁共振成像 (MRI) 、正電子發射斷層成像 (PET) 等醫學影像技術已然成為臨床醫生最直接、最常用的方法手段，它在整個臨床應用（包括疾病診斷、手術治療、預后評估等）中起著至關重要的作用。醫學圖像的處理分析是醫學影像技術的核心部分，包括圖像重建、增強、配準、融合、跟蹤、分割、識別、可視化等技術，不僅可以輔助醫生閱片分析、自動化診療過程，還是手術機器人等圖像引導介入 (Image Guided Interventions，IGI) 手術的關鍵技術。

然而，醫學圖像處理面臨諸多挑戰。

1、隨著各類醫學影像設備的迅速發展和普及，醫學圖像數據正以前所未有的速度增加。據統計，美國的醫學圖像數據年增長率為63.1%，我國圖像數據年增長率也在30%左右。截止2020年，全球醫學圖像數據量已經達到了驚人的40萬億GB[1]。

2、如圖1所示，不同類型的成像設備，由于成像原理不同，其生成的不同模態圖像在相同解剖結構位置上并不存在簡單的線性對應關系。在臨床應用中，醫生往往需要結合多種模態圖像進行融合分析、互為補充，以改善臨床診斷、病情監測、外科手術引導、療效評估的水平。

圖1：不同模態的腦部圖像

來源：F. E.-Z. A. El-Gamal, M. Elmogy, A. Atwan. Current trends in medical image registration and fusion. Egyptian Informatics Journal, 2016

3、醫學圖像個體差異較大，即使是同一臺設備同一病人，由于成像系統的缺陷，不同成像參數條件和患者呼吸運動等多種原因，也容易造成醫學圖像出現不同程度的偽影和噪聲。

4、醫學圖像的解釋并沒有完全統一的標準。由于經驗和環境條件不一樣，即使是同一醫生在不同時間段對同一張圖片都有可能出現不同的解釋和描述。

5、臨床診療對時間具有一定敏感性。對于一些實時性要求較高的臨床應用，如手術導航，圖像處理速度要求至少達到 25-30幀/秒。

醫學圖像的這些特點，對醫學圖像處理的算法和算力都提出了較高的要求。近年來，隨著人工智能 (artificial intelligence，AI) 核心——深度學習在計算機視覺處理領域的巨大成功，AI技術通過替代或增強醫學圖像處理的部分或整體流程，可以顯著提高醫學圖像分析的精度和效率，提升健康與診療的效益及價值。GPU具有高效的并行計算能力，不僅適合計算密集型傳統圖像處理任務，而且是人工智能模型訓練、預測的關鍵硬件。接下來，我們將分別對GPU的作用進行闡述。

GPU提速醫學圖像處理全流程

醫療成像設備產生的醫學圖像具有多種維度，包括2D、3D、4D圖像，以及2D視頻圖像（內窺鏡或顯微鏡視頻）。隨著圖像維度和算法復雜度的提高，醫學圖像處理的計算量也在大幅增加。對于大多數醫學圖像處理算法，圖像像素可以作為線程進行獨立處理，具有數據并行計算的特點，這是GPU并行加速的基礎。GPU具有高并行、多線程、多流式處理器、高內存帶寬的特點，可以實現醫學圖像處理全流程的高性能加速計算。圖2給出了醫學圖像處理的基本流程，下文將分別予以介紹。

圖2：醫學圖像處理基本流程

圖像重建

圖像重建是指利用傳感器或能量源測量人體數據，經重建算法獲得人體三維結構或功能信息。圖像重建是醫學圖像處理中較為耗時的過程，為了緩解計算壓力，研究者過去常使用較為簡單的成像模型進行直接解析。例如，在CT重建中，FBP (Filtered back projection，濾波反投影) 是解析法中較為常見的算法。在FBP中，將投影數據進行FFT濾波處理后，利用系統權重矩陣和投影數據的相乘沿投影方向重建三維圖像。CT投影重建模型如圖3所示，探測器接收的信號為X射線管源穿過人體的X射線投影數據。為獲得CT完整斷層圖像，需要X射線沿人體中心進行至少180°的連續旋轉。

圖3：CT投影重建模型

盡管解析算法簡單、重建速度快，但由于未引入真實的成像過程，如未考慮噪聲等，其成像質量較差，且要求較高信噪比的測量數據，但這往往受限于放射劑量或系統約束。近年來，迭代法被廣泛用于圖像重建過程中，可以顯著減少放射劑量、降低噪聲、提高成像質量。表1總結了幾種常用醫學成像技術的重建原理及相關技術特點。

表1：幾種常用醫學成像技術對比

迭代重建算法的基本原理是估計初始三維圖像，對其進行前向成像模擬，并與實際測量數據進行比較，根據誤差結果校正三維圖像估計，重復該過程直至收斂。這一過程中，需要大量的數據計算。以往，圖像重建常使用ASIC (Application Specific Integrated Circuit，專用集成電路) 、FPGA (Field Programmable Gate Array，現場可編程門陣列) 、DSP (Digital Signal Processing，數字信號處理芯片) 等芯片進行加速。相比這些芯片，GPU可以提供更好的編程靈活性和更合理的開發成本性能比。目前，在圖像重建領域有大量使用GPU加速的開源軟件和醫療設備廠商商用軟件。通過對重建過程任務并行化、內存合并優化以及減少線程發散和競爭等手段，GPU的加速性能可以顯著提高。表2給出了MRI重建CS迭代方法的各模塊的GPU加速比，在GPU的加持下，其總加速比可以達到53.9倍[2]。

表2：CS-MRI重建中兩種方法的GPU加速比較。

表中給出了執行單次迭代的各模塊平均時間和加速比。

其中，Ns為采樣數，Np為投影數量，Ni為軌跡數。

來源：S. Nam, M. Ak?akaya, T. Basha, C. Stehning, W. J. Manning, V. Tarokh, et al. Compressed sensing reconstruction for whole‐heart imaging with 3D radial trajectories: a graphics processing unit implementation. Magnetic resonance in medicine, 2013, 69(1): 91-102

濾波增強

原始醫學圖像受成像設備和獲取條件等多種因素的影響，易受到噪聲的污染，會出現圖像質量的退化或畸變。對醫學圖像進行濾波增強，可以抑制噪聲、減少失真、增強圖像信息，以便后續圖像處理分析。傳統的圖像濾波增強技術分為空間域和頻域兩種，兩者都可以用來消除圖像噪聲，并且同時達到增強圖像特征的目的。常用中值濾波、高斯濾波、擴散濾波和雙邊濾波等方法進行處理。這些濾波算法等價于圖像域的可分解卷積運算，或者傅里葉頻域空間的乘積運算，因此極其適合GPU并行加速計算。表3給出了對三維圖像（512x512x128）進行不同參數非局部均值去噪加速效果比較，其GPU加速比平均可以達到30多倍[3]。

表3：不同參數三維非局部均值去噪加速效果比較

（執行時間（s）/加速比）

來源：S. Cuomo, P. De Michele, F. Piccialli. 3D Data Denoising via Nonlocal Means Filter by Using Parallel GPU Strategies. Computational and Mathematical Methods in Medicine, 2014

圖像配準

醫學圖像配準是指對同一人的同一解剖部位，利用某些意義不同的成像手段形成的意義不同的兩幅影像，尋求一種（或一系列）空間變換，使這兩幅醫學影像的解剖結構對應點達到空間位置上的盡可能一致。這里的一致是指人體上同一解剖點或者至少是所有具有診斷意義的點以及手術感興趣點都達到匹配。醫學圖像配準是圖像分割、圖像融合等后續圖像處理的基礎。

圖4：大腦 MRI和 DSA圖像配準示意圖

如圖5所示，圖像配準過程中，作為配準目標而不發生變化的待配準圖像稱為參考圖像R，另一幅要進行空間變換的待配準圖像稱為浮動圖像M，整個配準過程可以看作是對浮動圖像M進行有限次幾何變換T后，使其變換后圖像同參考圖像R相似度無限接近的過程。

圖5：醫學圖像配準框架示意圖

醫學圖像配準方法的核心包括三個部分：空間變換、相似測度、優化算法。空間變換主要涉及像素空間的矩陣和插值運算，GPU對矩陣和插值運算有內置加速設置；相似性測度則是利用圖像灰度或特征信息，量化圖像間的匹配相似程度，利用并行、合并算法， 可以實現GPU的加速；而優化算法主要為順序過程，較難實現相關GPU加速。表4給出了一種三維彈性配準GPU加速情況，可以看出盡管優化算法無法實現并行加速，GPU整體加速比仍能達到4.69倍[4]。

表4：一種三維彈性配準的各模塊GPU加速情況

來源：S. Ekstr?m, M. Pilia, J. Kullberg, H. Ahlstr?m, R. Strand, F. J. J. o. M. I. Malmberg. Faster dense deformable image registration by utilizing both CPU and GPU. 2021

圖像匹配

圖像匹配和圖像配準近似，目的是尋找與一幅圖相似的圖像，但無需對尋找到的圖像做空間矯正。根據匹配時利用的信息不同，可將匹配算法分為三個類別，分別是：基于特征描述符的匹配方法、基于空間位置信息的匹配方法和融合了特征信息和位置信息的匹配方法。根據得到的匹配數量的多少，又可將匹配算法分為稀疏匹配算法、準稠密匹配算法和稠密匹配算法。圖像匹配在醫學圖像領域中被廣泛用于基于內容的圖像檢索 (Content Based Image Retrieval，CBIR) ，通過從現有醫學圖像數據庫中快速查詢圖像相似的臨床醫學圖像，醫生可以參考病理相似病例的診斷方法以輔助其作出正確的臨床診斷。

圖6：基于內容的圖像檢索系統基本流程

來源：L. R. Nair, K. Subramaniam, G. K. D. Prasannavenkatesan. A Review on Multiple Approaches to Medical Image Retrieval System. in: Intelligent Computing in Engineering. Singapore, 2020

如圖6所示，CBIR過程通常分為特征提取、特征索引、相似性度量等過程。這些過程都可以利用GPU進行并行加速。一項研究表明[5]，利用GPU可以實現4~5倍的加速。

圖像融合

正如前文所述，不同類型的醫學影像設備為患者臨床診療提供了多層面、多角度、多節點的圖像數據，不同模態的數據間既存在冗余信息，又充斥著大量的互補信息。多模態醫學圖像融合充分利用不同模態圖像的互補性和冗余性，對同一病灶部位不同模態的醫學影像進行融合，可以得到比原圖像信息更豐富、更精準的融合圖像。通常，多模態醫學圖像融合首先需要對不同模態的圖像進行配準，使得同一解剖部位的像素位置在不同圖像下能夠一一對應，之后根據設定的策略融合各模態中的有用信息，生成質量更好的圖像。如圖7所示，根據圖像數據處理層次的不同，圖像融合主要分為像素級融合、特征級融合和決策級融合。

圖7：不同層次圖像融合系統示意圖

其中，像素級多尺度變換方法是目前圖像融合算法的主流，在圖像精確配準前提下，對兩幅或多幅原圖像使用分解變換方法分別進行分解，得到不同頻率層次的圖像，然后將兩幅圖像對應的低頻系數和高頻系數分別進行融合，獲得融合系數，最后將融合后的系數進行傅里葉逆變換，得到最終的融合圖像。利用GPU可以加速傅里葉變換等過程，從而實現近10倍的加速[6]。

圖像分割

圖像分割，是指將圖像分成若干不相互重疊的子區域，使得同一個子區域內的像素特征具有一定的相似性、不同子區域之間像素特征呈現較為明顯的差異，常用于分割腦部區域、血管、器官、腫瘤、骨骼等，是許多基于醫學圖像的診斷、治療和分析應用的重要基礎步驟。

常用的傳統圖像分割方法包括閾值、聚類、馬爾科夫隨機場、區域增長、分裂合并、三維邊緣檢測、形態學、形變模型、水平集等方法。目前并沒有單一的方法能解決圖像分割的所有場景，全自動的分割方法通常針對特定器官和場景，當先驗知識缺少時，全自動方法的效果會顯著下降。因此，半自動的方法被廣泛使用，該方法需要用戶提供初值如輪廓、初始點信息等，并交互結果。圖8給出了常用醫學圖像處理軟件Slicer對胸部CT圖像進行半自動分割的標注結果。GPU可以加速整個圖像分割和可視化過程，從而提高圖像分割的交互體驗，進而實現更好的圖像分割效果。

圖8：利用軟件Slicer對圖像進行半自動分割標注

運動目標檢測與跟蹤

運動目標檢測與跟蹤通常分為兩個階段，首先是利用運動目標檢測算法從視頻或圖像序列中把場景中的運動目標從背景中區分并提取出來，然后應用目標跟蹤算法對該目標的運動特性及目標外觀特征等參數進行分析和預測。除廣泛用于智能視頻監控領域之外，運動目標檢測與跟蹤在醫學圖像領域主要用于內窺鏡視頻中對微創手術 (Minimally Invasive Surgery) 器械進行檢測與跟蹤[7, 8]、時空細胞顯微鏡成像 (Spatial-Temporal Cell microscopy Imaging) 中對細胞運動、增殖的跟蹤分析[9]、心臟磁共振成像 (Cine MRI) 或心動超聲 (echocardiography) 中對心臟運動跟蹤以檢測與量化心臟功能[10]以及放射治療4D-CT[11]中對腫瘤呼吸運動的跟蹤等。運動目標檢測與跟蹤涉及大量2D或3D圖像序列的分析計算，極為耗時，利用GPU并行加速可以實現較大加速比。圖9展示了時空細胞顯微鏡成像分析中不同跟蹤算法的單幀圖像計算時長對比，可以看出隨著計算量的增加，經過優化的GPU并行算法可以實現近166倍的加速比[9]。

圖9：不同跟蹤算法的單幀圖像計算時長。

橫坐標為幀間圖像的向量點數目，

縱坐標為單幀圖像耗時；

GPU_H、CPU為傳統跟蹤算法的GPU、CPU版本，

GPU_P為并行張量加速算法，

Ours為文獻[9]中提到的經優化的GPU加速算法。

來源：M. Zhao, A. Jha, Q. Liu, B. A. Millis, A. Mahadevan-Jansen, L. Lu, et al. Faster Mean-shift: GPU-accelerated clustering for cosine embedding-based cell segmentation and tracking. 2021

圖像可視化

醫學圖像可視化是指利用醫學影像設備獲取的序列圖像信息，重建三維圖像模型，并將其轉換成圖形圖像在屏幕上顯示，為用戶提供具有真實感并進行相互交互的三維醫學圖像。醫學圖像可視化廣泛應用于臨床診斷、放射治療規劃、手術導航、醫學模擬仿真教學等方面，對臨床醫學具有很高的應用價值與實踐意義。

根據繪制過程中數據描述方法的不同，醫學圖像可視化通常分為兩大類——面繪制和體繪制。面繪制是指對體表面重建，然后用傳統圖形學技術實現表面繪制。面繪制可以有效地繪制出物體表面，但缺乏對物體內部信息的表達。由于面繪制技術的缺點和局限，體繪制（體渲染）技術應用更為廣泛，其基本原理是利用光學模型模擬光線穿越半透明物質時的能量累積變化。具體而言，首先對每個體素賦以不透明度 (a) 和顏色值 (R、G、B) ；再根據各個體素所在點的梯度以及光照模型計算相應體素的光照強度；然后根據光照模型，將射線上投射到圖像平面中同一個像素點的各個體素的不透明度和顏色值組合在一起，生成最終結果圖像。

圖像可視化計算量極大，對時間較為敏感，利用GPU的并行加速和紋理內存可以提高渲染速度。近年來隨著虛擬現實 (Virtual Reality，VR) 技術在醫學圖像領域的興起，圖像可視化要求至少60幀每秒的速度和1024的高分辨率，這對GPU的內存和計算速度都提出了更高的要求。圖10展示了利用VR對三維醫學圖像進行操作觀察的示例[12]。

圖10:醫學圖像VR操作示例

來源：J. Sutherland, J. Belec, A. Sheikh, L. Chepelev, W. Althobaity, B. J. Chow, et al. Applying modern virtual and augmented reality technologies to medical images and models. Journal of digital imaging, 2019

其他技術

醫學圖像處理還包括圖像分類與識別、目標定位與檢測等高層圖像處理技術。其中，圖像分類與識別，用于輔助診斷圖像是否有病灶，并對病灶進行量化分級；圖像目標定位用于識別圖像特定目標，并給出具體物理位置；圖像目標檢測則需要把圖像中所有目標識別出來，并確定其物理位置和類別。

這些處理技術傳統上通常需要經過圖像預處理、圖像分割、特征提取、特征選擇、分類器訓練等過程。傳統特征提取技術包括紋理、邊緣等全局特征和SIFT (Scale-Invariant Feature Transfor，尺度不變特征變換) 、SURF (Speeded Up Robust Features，加速魯棒性特征) 等局部特征。由于醫學圖像的多樣性和復雜性，根據先驗知識人工設計的特征往往只適合特定場景任務。傳統圖像分類、檢測等方法不僅耗時耗力，需要大量的參數調節 (parameter hypertuning) 實驗，計算量大，借助GPU加速計算，可以加快特征提取計算和相關算法的調參訓練過程。

GPU賦能臨床智能醫療

上文中，醫學圖像處理的各個任務流程都可以視作映射函數F的輸入輸出，即y=F(x)?。其中x為單個或多個圖像（數字信號），y為輸出，其定義取決于任務流程類型。例如，在圖像重建中，y為高分辨率重建圖像；在濾波增強中，y為圖像質量增強圖像；在圖像配準中，y為配準參數；在圖像分割中，y為圖像蒙版mask。

在眾多映射函數F的估計方法中，深度學習 (Deep Learning，DL)方法利用深度神經網絡 (Deep Neural Network，DNN) 的多層非線性變換能實現映射函數F的無限逼近、表征輸入數據分布，具有強大的自動特征提取和復雜模型構建能力，在醫學圖像處理領域應用十分廣泛。其中，GPU是深度學習模型訓練的算力保障。而一旦模型訓練完成，借助GPU的高效前向運算，在圖像重建、圖像識別與分類、圖像定位與檢測、圖像分割、圖像配準和融合等方面，深度學習算法相比傳統算法可以更為準確、高效地完成圖像處理任務，輔助醫生診斷治療和預后。圖11總結了深度學習在醫學圖像處理領域不同層次的分類。

圖11：基于深度學習的醫學圖像處理分類

深度學習在醫學圖像領域發展十分迅速，產生了許多性能優異的臨床應用。例如，研究人員利用10萬多幅惡性黑色素瘤（最致命的皮膚癌）和良性痣的圖像訓練了卷積神經網絡（CNN）來識別皮膚癌，表現優于有經驗的皮膚科醫生，其漏診率和誤診率都更低[13]。國內聯影企業利用bi-c-GAN模型，從超低劑量的PET/MRI數據重建出高分辨率PET圖像[14]。2020年COVID-19爆發早期，由于檢測試劑的短缺，歐洲研究人員開發了CORADS-AI系統[15]，利用CT圖像篩查和評價COVID-19的感染情況，可以近實時（<2 s）得出結果。如圖12所示，第一行為胸部CT圖，第二行為利用CNN模型分割的肺結節解剖圖，第三行為利用3D U-Net模型分割的具有毛狀玻璃樣病變的肺部區域，最下圖為病變區域在正常結節部位的計算比例，左下圖為基于感染比例得出的COVID-19感染分級和概率。

圖12：CORADS-AI系統篩查COVID-19的結果示意圖

來源：S. K. Zhou, H. Greenspan, C. Davatzikos, J. S. Duncan, B. Van Ginneken, A. Madabhushi, et al. A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises. Proceedings of the IEEE, 2021

雖然深度學習在醫學圖像處理領域取得了高速的發展，但仍存在很多挑戰和限制。除注冊審批、市場準入等政策法規方面的挑戰外，最大的挑戰來自影像數據質量問題。醫學影像數據的數量和質量決定了Al模型學習的結果。盡管醫學圖像數據總量巨大，但針對不同病種的影像數據量和質量參差不齊，有些病種的訓練數據缺乏；健康大數據孤島問題（即醫院間醫療數據不能共享和聯通問題）、安全隱私問題仍然存在，雖然有所緩解，但仍未達到深度學習的要求。醫療影像數據針對細分場景的數據量和質量仍無法滿足算法模型的訓練需求。影像數據處理結果需要大量影像科專業醫師去標注，成本、耗時巨大，而醫師的經驗水平、學習數據的質量和典型性都將影響數據的標注質量。針對這一問題，需要建立完善的醫學數據共享和隱私學習平臺，利用大數據技術從海量數據中篩選收集研究所需影像數據，并借助自動化技術輔助醫師標注，其涉及的大量運算需要GPU進行算力支持。而針對小樣本數據集，可以通過數據增強、遷移學習 (Transfer Learning) 、生成對抗網絡 (Generative Adversarial Network，GAN) 、域適應 (Domain Adaptation) 、自監督學習 (Self-supervised Learning) 、弱監督學習 (Weakly Supervised Learning) 等方法在一定程度上緩解訓練樣本不足的問題。

目前深度學習算法普遍存在魯棒性和泛化性不足的問題，其研發的模型很有可能僅對訓練數據表現良好。而由于成像角度、成像噪聲、重建算法等因素的影響造成測試數據集和訓練數據集具有不同的特點，訓練模型對這類數據預測完全失效。針對該問題，除擴大訓練數據的代表性外，還可以探索模型結構，提高模型深度，引入對抗學習、注意力、多任務等機制，以提升模型泛化能力。這些復雜模型的訓練和預測都依賴更高的GPU算力和顯存。

此外，深度學習模型是一個黑盒子，可解釋性較差。即使經過訓練的模型在測試數據集顯示出很高的準確性，臨床醫生仍會對定期使用它們分析患者數據持謹慎懷疑態度。因此，模型的解釋和不確定性量化研究十分必要。深度學習模型的可解釋性主要包括模型結構的可解釋性、特征權重的統計分析以及利用可解釋模型如決策樹近似模擬深度學習模型等[16]。而模型的不確定性量化，則是將多種不確定性來源和個體差異性融入模型預測中，給出模型預測準確程度的置信區間。模型的解釋和不確定性量化，有助于增強深度學習結果的可信度，從而加速人工智能在醫學圖像臨床應用的落地。

總結

醫學圖像在疾病診斷、手術治療、預后評估等臨床應用中起著舉足輕重的作用，超過70%的診斷都依賴醫學圖像。對醫學圖像的處理分析，有助于促進自動化診療過程，是推動精準醫療和個性化醫療的重要工具。由于醫學圖像處理任務的復雜性和多樣性，以及圖像分辨率的提高，醫學圖像處理的算法復雜且運算量巨大，利用GPU可以實現高性能并行計算。

近年來，人工智能逐漸成為醫學影像發展的主流方向，相比傳統方法，可以提供更為準確、高效的處理結果。但由于圖像數據質量的問題以及模型泛化性的要求，深度學習模型的結構和訓練也愈發復雜，這對GPU的算力和顯存都提出了更高的要求。

我們預計，隨著成像設備的升級、醫學圖像標記數據的不斷累積以及深度學習算法的不斷完善，人工智能和GPU的結合將在醫學圖像處理領域展現更為廣闊的未來。

參考資料

[1] J. Wu. The Next Era: Flourish of National Health Care & Medicine with the World Leading Artificial Intelligence. Chinese Medical Sciences Journal, 2019, 34(2): 69-70

[2] S. Nam, M. Ak?akaya, T. Basha, C. Stehning, W. J. Manning, V. Tarokh, et al. Compressed sensing reconstruction for whole‐heart imaging with 3D radial trajectories: a graphics processing unit implementation. Magnetic resonance in medicine, 2013, 69(1): 91-102

[3] S. Cuomo, P. De Michele, F. Piccialli. 3D Data Denoising via Nonlocal Means Filter by Using Parallel GPU Strategies. Computational and Mathematical Methods in Medicine, 2014, 2014: 523862

[4] S. Ekstr?m, M. Pilia, J. Kullberg, H. Ahlstr?m, R. Strand, F. J. J. o. M. I. Malmberg. Faster dense deformable image registration by utilizing both CPU and GPU. 2021, 8(1): 014002

[5] S. A. Mahmoudi, M. A. Belarbi, E. W. Dadi, S. Mahmoudi, M. J. C. Benjelloun. Cloud-based image retrieval using GPU platforms. 2019, 8(2): 48

[6] 曹強. 多模醫學圖像融合算法及其在放療中的應用研究[博士]. 東南大學, 2021

[7] Y. Jin, Y. Yu, C. Chen, Z. Zhao, P.-A. Heng, D. J. I. T. o. M. I. Stoyanov. Exploring Intra-and Inter-Video Relation for Surgical Semantic Scene Segmentation. 2022,

[8] D. Bouget, M. Allan, D. Stoyanov, P. Jannin. Vision-based and marker-less surgical tool detection and tracking: a review of the literature. Medical image analysis, 2017, 35: 633-654

[9] M. Zhao, A. Jha, Q. Liu, B. A. Millis, A. Mahadevan-Jansen, L. Lu, et al. Faster Mean-shift: GPU-accelerated clustering for cosine embedding-based cell segmentation and tracking. 2021, 71: 102048

[10] E. Ferdian, A. Suinesiaputra, K. Fung, N. Aung, E. Lukaschuk, A. Barutcu, et al. Fully Automated Myocardial Strain Estimation from Cardiovascular MRI–tagged Images Using a Deep Learning Framework in the UK Biobank. Radiology: Cardiothoracic Imaging, 2020, 2(1): e190032

[11] P. Jafari, S. Dempsey, D. A. Hoover, E. Karami, S. Gaede, A. Sadeghi-Naini, et al. In-vivo lung biomechanical modeling for effective tumor motion tracking in external beam radiation therapy. Computers in Biology and Medicine, 2021, 130: 104231

[12] J. Sutherland, J. Belec, A. Sheikh, L. Chepelev, W. Althobaity, B. J. Chow, et al. Applying modern virtual and augmented reality technologies to medical images and models. Journal of digital imaging, 2019, 32(1): 38-53

[13] H. A. Haenssle, C. Fink, R. Schneiderbauer, F. Toberer, T. Buhl, A. Blum, et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Annals of oncology, 2018, 29(8): 1836-1842

[14] H. Sun, Y. Jiang, J. Yuan, H. Wang, D. Liang, W. Fan, et al. High-quality PET image synthesis from ultra-low-dose PET/MRI using bi-task deep learning. Quantitative Imaging in Medicine Surgery, 2022, 12(12): 5326-5342

[15] M. Prokop, W. Van Everdingen, T. van Rees Vellinga, H. Quarles van Ufford, L. St?ger, L. Beenen, et al. CO-RADS: a categorical CT assessment scheme for patients suspected of having COVID-19—definition and evaluation. Radiology, 2020, 296(2): E97-E104

[16] 化盈盈, 張岱墀, 葛仕明. 深度學習模型可解釋性的研究進展. Journal of Cyber Security 信息安全學報, 2020, 5(3)

編輯：黃飛