主图显示了多发性硬化症病灶分割的并排对比。左图显示的是手动病灶分割，右图显示的是全自动病灶分割。图片由悉尼神经影像分析中心提供。

在神经影像领域，向来是一人不抵二智。因此，全球放射科医生正在探索使用 AI 工具来分担繁重的工作负载，并提高脑部扫描分析的一致性、速度和准确性。

悉尼神经影像分析中心 (SNAC) 的运营总监 Tim Wang 说：“我们经常将手动注释作为神经影像的黄金标准，但实际可能不是这样。在许多情况下，AI 可提供比手动分类或分割一致性更高、偏差更小的评估。”

SNAC 是一家澳大利亚公司，与悉尼大学的心脑血管中心同地协作，从事神经影像研究以及临床研究试验的商业影像分析。该中心正在构建 AI 工具，以便在其研究工作流程中自动执行繁重的分析任务，比如从头部扫描中分离出大脑图像，以及分割大脑病灶。

其他算法正在开发中，并正在进行临床使用验证。有种算法可以比较患者的大脑大小和病灶如何随时间变化。另一种算法可以标记重要的脑部扫描，以便放射科医生可以更快地处理紧急情况。

SNAC 使用由 NVIDIA V100 Tensor Core GPU 提供支持的 NVIDIA DGX-1 和 DGX 工作站，以及配备 NVIDIA GeForce RTX 2080 Ti 显卡的 PC 工作站。研究人员使用 NVIDIA Clara 医学影像工具套件，以及 cuDNN 库和 TensorRT 推理软件开发自己的算法。

集思广益开发 AI 解决方案

在研发药物时，制药公司会通过进行临床试验来测试新药治疗效果，这一过程通常使用脑萎缩率和病灶变化等脑成像指标作为关键指标。

为确保测量结果的一致性和准确性，制药公司依赖于集中式读取中心在盲法分析中评估受试者的脑部扫描状况。

SNAC 可以在这方面发挥作用。它可分析在世界各地的临床地点获取的患者 MRI 和 CT 扫描。其在多中心研究方面的专业知识，让我们能够更精准地开发出 AI 工具来解决放射科医生和临床医生面临的挑战。

借助包含 15,000 多张三维 CT 和 MRI 影像的训练数据集，SNAC 正在使用 PyTorch 和 TensorFlow 框架构建深度学习算法。

该中心的某个 AI 模型可自动执行清理 MRI 影像的耗时任务，以便将大脑与头部的其他部分（例如静脉窦和大脑周围充满液体的区域）隔离开来。使用 NVIDIA DGX-1 系统进行推理，可以让 SNAC 将此过程至少加速 10 倍。

Wang 说：“这中间的差异不容小觑。以前，我们的分析师采用半自动方法，要用 20 到 30 分钟，而现在，这项工作只需使用机器即可完成，所用时间减少到 2 到 3 分钟，同时效果比人类更好、更一致。”

另一个工具可处理多发性硬化症病例的大脑病灶分析。在研究和临床试验中，影像分析师通常会分割大脑病灶，并通过手动检查扫描来确定其大小，这一过程要耗费长达 15 分钟。

AI 可将确定病灶大小所需的时间缩短为 3 秒。这就使得这些指标也可以用于临床实践，以往由于时间限制，放射科医生通常只通过眼睛简单观察来估计病灶大小。

Wang 说：“通过提供定量个性化神经影像测量，我们可以帮助简化临床放射过程并增加其价值。

该中心与世界大型成像提供商之一 I-MED 以及悉尼大学心脑血管中心的计算神经科学团队合作。该中心还与澳大利亚主要医院的放射科医生紧密合作，以验证其算法。

SNAC 计划将其分析工具与临床医生已使用的系统相集成，以便在执行扫描后将结果自动发送到服务器进行处理。然后，AI 评估扫描会传送至放射科医生的查看器，从而在不改变医生工作流程的前提下为他们提供分析结果。

Wang 说：“有人确实可以开发出超棒的工具，但让放射科医生在工作站上打开另一个应用程序，或另一个浏览器来使用该工具却很困难。他们不想这样做，因为他们通常每天要做大量的临床扫描，时间紧迫。”