AI 医疗更进一步，单张 X 光平片生成三维图像 (临床会使用正侧两张)

[coolwulf]

在很多医学领域，比如儿科或者骨科正畸科，由于需要经常性的查看图像，使用 CT 的剂量会过高，只能使用二维的 X 光平片。但这样就缺少了三维信息。我们最近的研究成果就是是否可以通过机器学习来恢复这些三维的信息。是否科学？

不多说，我们看结果吧。 先是单张图片

https://ibb.co/Vjn956w

AI 生成的三维信息:

https://ibb.co/nDjz9P1

针对骨科和正畸应用细节足够，因为骨头是刚性体

技术预览用单张没问题，实际临床使用我们考虑用两张平片，正向和侧向

临床应用使用两张图，类似 EOS 的 Flex Dose 系统, 合作伙伴已经开始准备整机方案

[coolwulf]

参考资料:

(1) EOS Imaging 公司网址: https://www.eos-imaging.com/
(2) EOS 的产品: https://www.eos-imaging.com/professionals/eos/eos
(3) 他们专利的方法论文: https://www.ncbi.nlm.nih.gov/pubmed/23177915

[i4oolish]

@murmur 医学里面有统计学东西，这也是为啥医患矛盾那么多的问题。医学没有 100%的东西。

[vigoss]

我感觉这个有风险。单张图出 3D 应该还是基于推断的。其他的行业有一点偏差无所谓。医疗诊断有一丁点偏差是不是就会有风险。当然平常的这个风险被医生承担了。不懂，随便一说

[sjqlwy]

x 线片拍出来的原始数据就丢掉了三维信息，这个脑补出来还原的不靠谱啊，特别是医疗上

[coolwulf]

@sjqlwy 并不是丢掉了所有三维信息，因为 X 光成像是基于 Attenuation 的, 即 I = I_0 x exp(-ut), I_0 是初始的 X ray fluence, u 是 attenuation coefficient, t 是 path length. 在投影 I 上面，重叠图像中保护了在后端被遮挡物体的 Feature 信息，这些 Contrast 和 contour 信息通过深度学习，能否通过 Feature extraction 来部分还原三维信息。

[StYu]

个人观点，不一定对，仅供参考。
对于医学相关的算法，可解释性非常重要，如果一个模型完全不可解释，那么就意味着在医学应用上具有“极高”风险。而且医生也不会倾向于依靠这样一个不可解释的模型。所以就目前来说，在医学相关领域应该避免使用 DL 建立的各种模型。

[melomelo]

没必要，第一外科拍 X 线片和手术时见到的实际情况区别很大，都以实际为主。依赖这个的外科医生最好别找他看病。第二正骨，片子都是辅助，看摸为主，有时不追求完好如初，自己慢慢活动修复。外行瞎整。有这技术咋不研究超声波混合 WiFi 透视？很搞笑。

[wenxiuzh]

两张图片生成三维还科学点

[luozic]

多张图片 结合多普勒玩立体成型可以理解，AI 脑补这种应该被作为参考，但是基本上有助于本来就没有高风险的医美或矫正。 用来指导复杂病变组织部分，基本没戏。