人工智能大背景下的醫學圖像處理教學改革探討

韓貴來 李海霞

摘? 要： 為了更好地適應人工智能時代發展需求，在醫學圖像處理教學過程中融入人工智能內容。通過對傳統的醫學圖像處理教學內容知識進行重構，以項目開發的形式進行醫學圖像處理教學改革。實踐表明，融合人工智能技術的醫學圖像處理教學改革，更能充分調動起學生學習的積極性和主動性，使學生真正做到學有所用，學以致用。

關鍵詞： 醫學圖像處理; 人工智能; 教學改革; 項目開發

中圖分類號：G642.0? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2020）11-117-03

Abstract： In order to better adapt to the needs of the development in the era of artificial intelligence， the content of artificial intelligence is integrated into the teaching process of medical image processing. Through the reconstruction of the traditional teaching content knowledge of medical image processing， the teaching reform of medical image processing is carried out in the form of project development. The practice shows that the teaching reform of medical image processing integrating artificial intelligence technology can fully arouse the enthusiasm and initiative of students， truly achieve that what they learned is useful and their learning is for the practice.

Key words： medical image processing; artificial intelligence; teaching reform; project development

0 引言

人工智能技術快速發展，已經從研究領域進入到應用層面。醫學人工智能作為一個重要的細分領域， 正逐步在醫療領域發揮重要作用。2017年7月，國務院印發了《新一代人工智能發展規劃》，提出要發展智慧醫療，實現醫學影像識別、病理分型和智能診斷等。到2020年，我國醫學影像市場規模將達到7000億元。隨著采集的醫學影像數據量越來越大，如今醫院往往缺乏足夠的讀片人員，因此，對于能夠快速處理影像數據的人工智能技術需求十分巨大。人工智能用于影像處理具有多項優勢。

首先，人工智能可以大批量快速地處理影像數據。只要計算能力夠大，人工智能便可以一次性處理大量影像數據。更重要的是，人工智能不會感到疲勞，只要機器正常，可以連續24小時不停地工作。而醫生工作時間過長就會產生疲勞，從而增加漏診和誤診的概率。

其次，人工智能判斷更加客觀、準確。微軟2014年提出的ResNet 深度學習網絡最深高達152 層，利用殘差的思想將ImageNet大規模圖像分類競賽的Top-5錯誤率降到了3.57%[1]。而在同樣的數據集上，人眼的辨識錯誤率約為5.1%。在醫學影像領域，人工智能也可以通過學習大量的影像來提高機器識別的正確率。目前開發的一些機器學習算法已經可以做到比醫生更加準確的識別肺部癌變。國內百度公司開發的人工智能系統在肺癌的識別上也取得了95%的正確率，高于測試中的醫生正確率約兩個百分點，并且能在更短的時間內處理了更多的影像。

再者，人工智能可以處理影像類型更加豐富。由于病癥的種類繁多，從心血管疾病到癌癥等均會涉及到影像。由于時間精力有限，一名醫生只能擅長某一種或幾種疾病影像的識別。然而，計算機卻能夠識別處理不同種類的醫學影像。因此一個人工智能系統就可以取代不同科室的多名醫生。

目前，人工智能已經在計算機輔助診斷方面得到廣泛應用，幾乎涵蓋了所影像診斷的所有領域，如心血管、肺癌、乳腺癌等多種類型疾病[2]。人工智能與醫學影像相結合的智能醫療已經開始在臨床領域真正地幫助到醫生，必將成為醫生診斷、治療工作的一種必備手段，并令患者受益。

1 當前醫學圖像處理教學困境

醫學圖像處理是我校信息管理與信息系統專業高年級學生的一門專業課，主要要求學生掌握有關醫學圖像處理的基本理論和算法，能夠利用計算機編程實現諸如醫學圖像的圖像增強、圖像分割、圖像變換、形態學圖像處理等常規的醫學圖像處理技術，為進一步的學習及步入工作崗位后的學以致用打下基礎。這門課程涉及各種醫學影像的處理，需要數學、信號處理等眾多學科知識，是一門交叉性學科，具有綜合性、理論性、實踐性、應用性強的特點，課程起點高、難度大[3]。對于學生而言，如果只學習理論知識而不進行實踐訓練，就很難掌握醫學圖像處理的基本原理與技術，不利于學生的培養。

目前，醫學圖像處理課程教學過程中主要存在以下問題。①教學方法單一，多數教師還是沿用傳統講授式的教學方法，忽視了學生創新性思維的培養[4]。②醫學圖像處理課程教學過程中重理論而輕實踐。由于許多醫學圖像處理算法的實踐既費力又耗時，而課時有限，因此教學中，教師經常講了一大堆理論，但真正留給學生實踐練習的課時則比較少[5]。③目前教材各個知識點之間缺乏有機的結合，與實際應用相脫節。實驗部分多作為理論課程的輔助教學形式，常采用一些基礎性、驗證性或者演示性的實驗，實驗內容多是針對單一知識點，如中值濾波實驗、直方圖均衡化實驗和邊緣檢測實驗等，各個實驗相互獨立，無法培養學生系統開發的能力，容易使學生“只見樹木，不見森林”，學完該課程后還是不知道怎樣運用所學知識去解決實際問題。④教材資源不足，可供選用的醫學圖像處理教材很少，而教材中的內容與方法又過于因循守舊，實驗內容很少涉及醫學圖像處理最新的研究熱點和應用，更跟不上醫學圖像處理在人工智能領域應用的快速發展，難以滿足實際教學需求，因此很難有效地調動學生學習的積極性和主動性，更別說對學生創新實踐能力的培養[6]。

鑒于以上種種問題，若教師把握不好度，就很容易使學生在一些繁雜的數學推導面前望而卻步，逐漸喪失學習興趣。特別對于高年級學生而言，求職和考研的壓力很大，往往無法集中精力學習，學習的動力和興趣都較低年級時有所下降。面對這種狀況，如果不采取措施改善，勢必影響教學效果。俗話說，興趣是最好的老師。提高教學質量的一個重要前提就是激發學生的學習興趣。近年來，結合人工智能、計算機視覺等領域中的圖像識別技術突飛猛進，成為近期研究和實際應用的熱點，因此，醫學圖像處理教學應與時俱進，不斷地更新與完善醫學圖像處理教學內容，將新的圖像識別等人工智能技術融入到傳統醫學圖像處理教學中，激發學生的學習興趣。在講授醫學圖像處理理論知識的同時，融入人工智能發展前沿相關的新理論及最新發展動態，及時讓學生了解和關注到學科前沿知識和技術，讓學生意識到學好醫學圖像處理課程不僅可以提高學生在就業市場上的競爭力，也可以為那些考研學生積累資本、贏得優勢，讓學生真正做到學有所用，學以致用，充分調動起學生學習的積極性和主動性[7]。

2 融合人工智能技術的醫學圖像處理教學改革

融合人工智能技術的醫學圖像處理教學改革目的是在講授醫學圖像處理理論知識的同時，融入與學科發展前沿相關的新進展，激發學生的學習興趣。融合人工智能技術的醫學圖像處理教學改革應該涵蓋醫學圖像處理課程教學的主要內容，包括圖像變換、圖像增強、圖像分割、特征提取等。在醫學圖像處理教學過程中，人工智能技術只能作為教學的輔助，重點強調怎么用，而不應詳細講解人工智能的原理，不能給學生增加太多難度。

結合科研及指導大學生創新創業項目的經驗，我們在融合人工智能技術的醫學圖像處理教學改革時是以肺結節的CT圖像計算機輔助診斷系統為例來講解。該系統登記了軟件著作權，并在2017年的泛珠三角大學生計算機作品賽上獲得海南省一等獎和香港總決賽三等獎。肺結節計算機輔助診斷系統的診斷過程基本涵蓋了醫學圖像處理的主要教學內容，只在分類判別時需要用到人工智能技術。

在實施融合人工智能技術的醫學圖像處理教學改革時，我們對醫學圖像處理課程的各個知識點進行了重構，以項目開發的形式，將肺結節計算機輔助診斷系統中涉及到的各主要知識點與醫學圖像處理教學內容一一對應起來[8]。根據實際情況，將肺結節的計算機輔助診斷系統分解成CT圖像獲取、圖像降噪、肺實質分割、ROI分割、特征提取和分類識別幾個模塊，如圖1所示，除了分類識別模塊外，其他幾個模塊都跟醫學圖像處理課程的知識點對應起來。教學時根據項目進度需要讓學生在實際項目開發的過程中依次完成各個知識點的學習。

在項目中的CT圖像獲取模塊，可以對應醫學圖像處理中數字化圖像的概念、圖像的表示、圖像的讀取、DICOM格式醫學圖像的讀取以及圖像的幾何變換等內容。在圖像降噪模塊中可以對應醫學圖像處理教學內容中的主要知識點——圖像增強，包括線性變換、指數變換、對數變換、直方圖均衡化、中值濾波、均值濾波和頻域濾波等。在肺實質分割和ROI分割部分會涉及醫學圖像處理教學中的另一個主要知識點——圖像分割，包括閾值分割、區域生長、邊緣檢測、聚類分割及形態學方法等。在特征提取部分涉及圖像的表示與描述，包括提取目標區域的面積、周長、圓形度、傅里葉描述子等。在分類識別部分可以采用支持向量機或深度學習的方法[9]。支持向量機的方法雖然識別精度沒有深度學習方法高，但能比較好地融合進醫學圖像處理中的各個主要知識點，比較適合醫學圖像處理教學，并且支持向量機技術對計算機性能的要求不太高，大多數學生的電腦或學校機房的電腦上都能夠運行。因此我們在分類識別部分優先考慮了支持向量機的方法，而不是當前最先進的深度學習的方法。在運用支持向量機技術進行分類建模時，只教學生怎么運用現成的支持向量機技術建模，而不要求學生掌握支持向量機的基本原理，盡量降低學生運用人工智能技術進行醫學圖像處理學習開發的難度。項目實踐以小組的形式開展，5、6人為一組。考慮到醫學院校信息管理與信息系統專業絕大多數學生開發能力較弱，開發語言也采用難度較低的Matlab進行算法設計與驗證。整個項目開發流程中，在沒給學生額外增加太多難度的情況下，形成了一個完整的醫學圖像處理知識鏈，不僅有效避免了學生“只見樹木，不見森林”式的各個孤立知識點的講解，而且讓學生學會了項目開發和團隊合作，達到學以致用的目的，極大地提高了學生學習的積極性和主動性。

3 結束語

通過對傳統的醫學圖像處理課程教學內容知識進行重構，融合人工智能技術的醫學圖像處理教學改革以項目開發的形式將醫學圖像處理中涉及到的各主要知識點串聯起來，改變了以理論知識傳授為主的傳統教學理念，激發了學生學習的積極性和主動性，加強了學生的實踐應用能力和綜合素質的培養。這種以項目開發的形式開展醫學圖像處理教學比較費時，而且有些小組可能會跟不上，故在今后的教學過程中將探討與微課教學結合起來，利用微課教學節省出來的時間更好地進行醫學圖像處理融合人工智能的項目開發教學改革。

參考文獻（References）：

[1] He， Kaiming，Zhang， Xiangyu，Ren， Shaoqing et al. Deep?Residual Learning for Image Recognition[C]. Computer Vision and Pattern Recognition，2015.

[2] 劉軍，韓燕鴻，潘建科等.人工智能在中醫骨傷科領域應用的現狀與前景[J].中華中醫藥雜志，2019.34（8）：3608-3612

[3] 李新利，楊國田，劉禾.基于理論與實踐并重的圖像處理與分析課程建設[J].高教學刊，2019.5：101-102，105

[4] 徐美芳，王浩全，桂志國.關于數字圖像處理課程專題式教學模式的探討[J].安徽工業大學學報（ 社會科學版），2009.26（4）：122-123

[5] 王云峰.基于C-CDIO模式的“數字圖像處理”課程教學改革與探討[J].現代信息科技，2019.3（8）：99-100，103

[6] 劉君.結合人工智能的數字圖像處理教學改革探討[J].科技創新導報，2018.16：229-230，232

[7] 萬程.數字圖像處理課程的CDIO教學改革[J].教育教學論壇，2019.33：113-114

[8] 曲中水.探究式教學法在數字圖像處理課程中的應用[J].高師理科學刊，2018.38（6）：78-81，97

[9] 陳舒涵，胡學龍，姚志均等.深度學習在“數字圖像處理”課程教學中的應用探討[J].工業和信息化教育，2019.2：84-88，94