人工智能大背景下的医学图像处理教学改革探讨
来源:用户上传
作者:韩贵来 李海霞
摘 要： 为了更好地适应人工智能时代发展需求，在医学图像处理教学过程中融入人工智能内容。通过对传统的医学图像处理教学内容知识进行重构，以项目开发的形式进行医学图像处理教学改革。实践表明，融合人工智能技术的医学图像处理教学改革，更能充分调动起学生学习的积极性和主动性，使学生真正做到学有所用，学以致用。
关键词： 医学图像处理; 人工智能; 教学改革; 项目开发
中图分类号：G642.0 文献标识码：A 文章编号：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
人工智能技术快速发展，已经从研究领域进入到应用层面。医学人工智能作为一个重要的细分领域， 正逐步在医疗领域发挥重要作用。2017年7月，国务院印发了《新一代人工智能发展规划》，提出要发展智慧医疗，实现医学影像识别、病理分型和智能诊断等。到2020年，我国医学影像市场规模将达到7000亿元。随着采集的医学影像数据量越来越大，如今医院往往缺乏足够的读片人员，因此，对于能够快速处理影像数据的人工智能技术需求十分巨大。人工智能用于影像处理具有多项优势。
首先，人工智能可以大批量快速地处理影像数据。只要计算能力够大，人工智能便可以一次性处理大量影像数据。更重要的是，人工智能不会感到疲劳，只要机器正常，可以连续24小时不停地工作。而医生工作时间过长就会产生疲劳，从而增加漏诊和误诊的概率。
其次，人工智能判断更加客观、准确。微软2014年提出的ResNet 深度学习网络最深高达152 层，利用残差的思想将ImageNet大规模图像分类竞赛的Top-5错误率降到了3.57%[1]。而在同样的数据集上，人眼的辨识错误率约为5.1%。在医学影像领域，人工智能也可以通过学习大量的影像来提高机器识别的正确率。目前开发的一些机器学习算法已经可以做到比医生更加准确的识别肺部癌变。国内百度公司开发的人工智能系统在肺癌的识别上也取得了95%的正确率，高于测试中的医生正确率约两个百分点，并且能在更短的时间内处理了更多的影像。
再者，人工智能可以处理影像类型更加丰富。由于病症的种类繁多，从心血管疾病到癌症等均会涉及到影像。由于时间精力有限，一名医生只能擅长某一种或几种疾病影像的识别。然而，计算机却能够识别处理不同种类的医学影像。因此一个人工智能系统就可以取代不同科室的多名医生。
目前，人工智能已经在计算机辅助诊断方面得到广泛应用，几乎涵盖了所影像诊断的所有领域，如心血管、肺癌、乳腺癌等多种类型疾病[2]。人工智能与医学影像相结合的智能医疗已经开始在临床领域真正地帮助到医生，必将成为医生诊断、治疗工作的一种必备手段，并令患者受益。
1 当前医学图像处理教学困境
医学图像处理是我校信息管理与信息系统专业高年级学生的一门专业课，主要要求学生掌握有关医学图像处理的基本理论和算法，能够利用计算机编程实现诸如医学图像的图像增强、图像分割、图像变换、形态学图像处理等常规的医学图像处理技术，为进一步的学习及步入工作岗位后的学以致用打下基础。这门课程涉及各种医学影像的处理，需要数学、信号处理等众多学科知识，是一门交叉性学科，具有综合性、理论性、实践性、应用性强的特点，课程起点高、难度大[3]。对于学生而言，如果只学习理论知识而不进行实践训练，就很难掌握医学图像处理的基本原理与技术，不利于学生的培养。
目前，医学图像处理课程教学过程中主要存在以下问题。①教学方法单一，多数教师还是沿用传统讲授式的教学方法，忽视了学生创新性思维的培养[4]。②医学图像处理课程教学过程中重理论而轻实践。由于许多医学图像处理算法的实践既费力又耗时，而课时有限，因此教学中，教师经常讲了一大堆理论，但真正留给学生实践练习的课时则比较少[5]。③目前教材各个知识点之间缺乏有机的结合，与实际应用相脱节。实验部分多作为理论课程的辅助教学形式，常采用一些基础性、验证性或者演示性的实验，实验内容多是针对单一知识点，如中值滤波实验、直方图均衡化实验和边缘检测实验等，各个实验相互独立，无法培养学生系统开发的能力，容易使学生“只见树木，不见森林”，学完该课程后还是不知道怎样运用所学知识去解决实际问题。④教材资源不足，可供选用的医学图像处理教材很少，而教材中的内容与方法又过于因循守舊，实验内容很少涉及医学图像处理最新的研究热点和应用，更跟不上医学图像处理在人工智能领域应用的快速发展，难以满足实际教学需求，因此很难有效地调动学生学习的积极性和主动性，更别说对学生创新实践能力的培养[6]。 鉴于以上种种问题，若教师把握不好度，就很容易使学生在一些繁杂的数学推导面前望而却步，逐渐丧失学习兴趣。特别对于高年级学生而言，求职和考研的压力很大，往往无法集中精力学习，学习的动力和兴趣都较低年级时有所下降。面对这种状况，如果不采取措施改善，势必影响教学效果。俗话说，兴趣是最好的老师。提高教学质量的一个重要前提就是激发学生的学习兴趣。近年来，结合人工智能、计算机视觉等领域中的图像识别技术突飞猛进，成为近期研究和实际应用的热点，因此，医学图像处理教学应与时俱进，不断地更新与完善医学图像处理教学内容，将新的图像识别等人工智能技术融入到传统医学图像处理教学中，激发学生的学习兴趣。在讲授医学图像处理理论知识的同时，融入人工智能发展前沿相关的新理论及最新发展动态，及时让学生了解和关注到学科前沿知识和技术，让学生意识到学好医学图像处理课程不仅可以提高学生在就业市场上的竞争力，也可以为那些考研学生积累资本、赢得优势，让学生真正做到学有所用，学以致用，充分调动起学生学习的积极性和主动性[7]。
2 融合人工智能技术的医学图像处理教学改革
融合人工智能技术的医学图像处理教学改革目的是在讲授医学图像处理理论知识的同时，融入与学科发展前沿相关的新进展，激发学生的学习兴趣。融合人工智能技术的医学图像处理教学改革应该涵盖医学图像处理课程教学的主要内容，包括图像变换、图像增强、图像分割、特征提取等。在医学图像处理教学过程中，人工智能技术只能作为教学的辅助，重点强调怎么用，而不应详细讲解人工智能的原理，不能给学生增加太多难度。
结合科研及指导大学生创新创业项目的经验，我们在融合人工智能技术的医学图像处理教学改革时是以肺结节的CT图像计算机辅助诊断系统为例来讲解。该系统登记了软件著作权，并在2017年的泛珠三角大学生计算机作品赛上获得海南省一等奖和香港总决赛三等奖。肺结节计算机辅助诊断系统的诊断过程基本涵盖了医学图像处理的主要教学内容，只在分类判别时需要用到人工智能技术。
在实施融合人工智能技术的医学图像处理教学改革时，我们对医学图像处理课程的各个知识点进行了重构，以项目开发的形式，将肺结节计算机辅助诊断系统中涉及到的各主要知识点与医学图像处理教学内容一一对应起来[8]。根据实际情况，将肺结节的计算机辅助诊断系统分解成CT图像获取、图像降噪、肺实质分割、ROI分割、特征提取和分类识别几个模块，如图1所示，除了分类识别模块外，其他几个模块都跟医学图像处理课程的知识点对应起来。教学时根据项目进度需要让学生在实际项目开发的过程中依次完成各个知识点的学习。
在项目中的CT图像获取模块，可以对应医学图像处理中数字化图像的概念、图像的表示、图像的读取、DICOM格式医学图像的读取以及图像的几何变换等内容。在图像降噪模块中可以对应医学图像处理教学内容中的主要知识点——图像增强，包括线性变换、指数变换、对数变换、直方图均衡化、中值滤波、均值滤波和频域滤波等。在肺实质分割和ROI分割部分会涉及医学图像处理教学中的另一个主要知识点——图像分割，包括阈值分割、区域生长、边缘检测、聚类分割及形态学方法等。在特征提取部分涉及图像的表示与描述，包括提取目标区域的面积、周长、圆形度、傅里叶描述子等。在分类识别部分可以采用支持向量机或深度学习的方法[9]。支持向量机的方法虽然识别精度没有深度学习方法高，但能比较好地融合进医学图像处理中的各个主要知识点，比较适合医学图像处理教学，并且支持向量机技术对计算机性能的要求不太高，大多数学生的电脑或学校机房的电脑上都能够运行。因此我们在分类识别部分优先考虑了支持向量机的方法，而不是当前最先进的深度学习的方法。在运用支持向量机技术进行分类建模时，只教学生怎么运用现成的支持向量机技术建模，而不要求学生掌握支持向量机的基本原理，尽量降低学生运用人工智能技术进行医学图像处理学习开发的难度。项目实践以小组的形式开展，5、6人为一组。考虑到医学院校信息管理与信息系统专业绝大多数学生开发能力较弱，开发语言也采用难度较低的Matlab进行算法设计与验证。整个项目开发流程中，在没给学生额外增加太多难度的情况下，形成了一个完整的医学图像处理知识链，不仅有效避免了学生“只见树木，不见森林”式的各个孤立知识点的讲解，而且让学生学会了项目开发和团队合作，达到学以致用的目的，极大地提高了学生学习的积极性和主动性。
3 结束语
通过对传统的医学图像处理课程教学内容知识进行重构，融合人工智能技术的医学图像处理教学改革以项目开发的形式将医学图像处理中涉及到的各主要知识点串联起来，改变了以理论知识传授为主的传统教学理念，激发了学生学习的积极性和主动性，加强了学生的实践应用能力和综合素质的培养。这种以项目开发的形式开展医学图像处理教学比较费时，而且有些小组可能会跟不上，故在今后的教学过程中将探讨与微课教学结合起来，利用微课教学节省出来的时间更好地进行医学图像处理融合人工智能的项目开发教学改革。
参考文献（References）：
[1] He， Kaiming，Zhang， Xiangyu，Ren， Shaoqing et al. Deep Residual Learning for Image Recognition[C]. Computer Vision and Pattern Recognition，2015.
[2] 刘军，韩燕鸿，潘建科等.人工智能在中医骨伤科领域应用的现状与前景[J].中华中医药杂志，2019.34（8）：3608-3612
[3] 李新利，杨国田，刘禾.基于理论与实践并重的图像处理与分析课程建设[J].高教学刊，2019.5：101-102，105
[4] 徐美芳，王浩全，桂志国.关于数字图像处理课程专题式教学模式的探讨[J].安徽工业大学学报（ 社会科学版），2009.26（4）：122-123
[5] 王云峰.基于C-CDIO模式的“数字图像处理”课程教学改革与探讨[J].现代信息科技，2019.3（8）：99-100，103
[6] 刘君.结合人工智能的数字图像处理教学改革探讨[J].科技创新导报，2018.16：229-230，232
[7] 万程.数字图像处理课程的CDIO教学改革[J].教育教学论坛，2019.33：113-114
[8] 曲中水.探究式教学法在数字图像处理课程中的應用[J].高师理科学刊，2018.38（6）：78-81，97
[9] 陈舒涵，胡学龙，姚志均等.深度学习在“数字图像处理”课程教学中的应用探讨[J].工业和信息化教育，2019.2：84-88，94
转载注明来源:https://www.xzbu.com/8/view-15363656.htm
