机器视觉技术研究现状及发展趋势
周宝仓吕金龙肖铁忠崔仲鸣
摘要：随着智能产业的不断发展，机器视觉技术凭借高精准度、高效率以及实时性等优势在众多领域得到了广泛应用。本文首先介绍机器视觉发展现状;其次阐述视觉系统的基本组成，并梳理硬件部分和机器视觉软件;再次介绍机器视觉在工业领域的应用;最后分析目前机器视觉技术所面临的问题以及未来的发展趋势。研究结果对我国机器视觉技术的发展及工业智能化建设具有重要意义。
关键词：机器视觉;视觉系统;视觉软件;发展趋势
中图分类号：TH16文献标识码：A文章编号：1003-5168（2021）31-0018-03
ResearchStatusandDevelopmentTrendofMachineVisionTechnology
ZHOUBaocangLYUJinlongXIAOTiezhongCUIZhongming
（1.SchoolofMechanical&ElectricalEngineering，HenanUniversityofTechnology，ZhengzhouHenan450001;2.SichuanEquipmentManufacturingEngineeringTechnologyApplicationsLaboratoryofRobotics，DeyangSichuan618000）
Abstract：Withthecontinuousdevelopmentofintelligentindustry，machinevisiontechnologyhasbeenwidelyusedinmanyfieldswiththeadvantagesofhighprecision，highefficiencyandreal-time.Firstly，thedevelopmentstatusofmachinevisionisintroduced.Secondly，thebasiccomponentsofthevisionsystemaredescribed，andthehardwareandmachinevisionsoftwarearecombed.Thentheapplicationofmachinevisioninindustrialfieldisintroduced.Finally，theproblemsfacedbymachinevisiontechnologyandthedevelopmenttrendinthefutureareanalyzed.TheresearchresultsareofgreatsignificancetothedevelopmentofmachinevisionandtheconstructionofindustrialintelligenceinChina.
Keywords：machinevision;visualsystem;visualsoftware;developmenttrends
智能制造是我國迈向制造强国的重要途径。通过对我国工业产业进行智能化建设，能促进我国工业更快更好的发展。机器视觉是利用光学装置和非接触传感器自动接收和处理真实物体的图像信息，以获得所需信息或用于控制机器人运动的装置。机器视觉是模仿人的眼睛进行测量和判断[1]。机器视觉具有高精准性、高效率及可持续工作等优势，擅长对结构化场景进行定量测量。随着我国产业结构调整和转型升级的不断深入，机器视觉技术在汽车制造、印刷包装、农业、医药及纺织等多个领域得到了广泛应用。因此，推动机器视觉相关技术的研究对智能产业发展有着极其重要的意义。
1机器视觉发展现状
国外对机器视觉的研究开始于20世纪50年代，Gilson提出“光流”这一概念，开始对二维图像的统计模式识别的研究;20世纪60年代，机器视觉研究逐渐兴起，Roberts等人对三维视觉的研究奠定了机器视觉技术研究理论的基础;20世纪70年代，机器视觉起步，DavidMarr提出了一个新的理论——Marr视觉理论，是机器视觉研究领域的第一个重要理论框架，并开始形成系统的机器视觉理论;20世纪80年代，机器视觉蓬勃发展，全球迎来了机器视觉研究的热潮，新的研究方法与理论如主动视觉理论框架、视觉集成理论框架等不断涌现;20世纪90年代，机器视觉产业化形成，众多机器视觉企业成立，机器视觉技术开始在各行业得到应用。
国内对机器视觉技术的研究始于20世纪80年代。我国引进的第一批机器视觉技术应用于南方电子半导体工厂。国内机器视觉技术发展可分为4个阶段：第1阶段是20世纪80年代的机器视觉起步阶段，该阶段主要技术和相关设备;第2阶段是1999—2003年的启蒙阶段，国内机器视觉公司技术主要通过代理国际机器视觉技术厂商的一些系统集成业务及机器视觉二次开发应用;第3阶段是2004—2007年的成长阶段，这一阶段国内机器视觉企业开始从学习阶段过渡到本土技术研发阶段，开始占据初级市场;第4阶段是从2008年至今的高速成长阶段，该阶段，国内相关机器视觉核心器件研发企业不断涌现，机器视觉行业高质量快速发展。据中国机器视觉产业联盟统计，2019年我国机器视觉行业销售超额百亿，增速超20%。
2机器视觉系统
机器视觉是一门涉及多个领域的交叉学科[2]，对其各部分的发展研究是促进视觉系统快速发展的关键。一个典型的机器视觉系统由硬件和软件两部分组成。硬件部分主要有光源设备、相机、镜头、图像处理卡以及辅助执行机构等;软件部分主要是指图像处理视觉软件和图像处理方法。典型的机器视觉系统先在一定的光源条件下由相机拍摄目标图像获得图像信息，再利用视觉软件对图像采集卡所采集的信息进行处理，通过配套的控制装置传递相应的控制信号，以控制相应的执行装置工作。
2.1光源
光源是影响图像成像质量好坏的关键因素，主要作用是突出目标特征和抑制无关特征，增加目标需检测部分与非检测部分的对比度，同时需要保证足够的亮度和稳定性，以确保图像成像质量。光源的种类较多，需针对不同应用场景选用合适的照明光源以达到最佳效果[3]。在光源选用上，选用不同颜色的光源照射目标物体，使目标反射所需的光，吸收不需要反射的光。在不同应用场景下，选用不同的照明方案也是突出目标特征的关键。常见的照明方案有暗场直接正面照明、明场漫射背光照明和明场平行背光照明等。
2.2相机及镜头
相机是机器视觉系统的核心组件，功能是将所采集的光信号转变为有序的电信号。图像传感器是相机的核心感光元件，主要分为电荷耦合器件（ChargeCoupledDevices，CCD）和互补性氧化金属半导体（ComplementaryMetalOxideSemiwnductor，CMOS）两种。它们的主要差异体现为不同的芯片技术结构[4]。CMOS相机将采集光信号转化为电信号的电子元件集成于芯片，使相机能够更快地读取图像数据。而CCD相机无须在芯片表面安装电子元件，通过使用芯片的表面捕捉光线，因此对光线比较敏感，适用于弱光条件。
镜头是机器视觉的“眼球”。镜头的选择影响着分辨率、对比度及景深等关键成像指标，是决定图片质量优劣的关键。目前，镜头朝着高清晰度和强光谱透射能力发展。先进的高分辨率和广域镜头是镜头未来的发展趋势。
2.3图像采集处理
图像采集卡的作用是对图像信息进行采集、压缩、保存，控制图像的分辨率，高速传送图像信息。图像处理是对相机采集到的原始图像信息进行各种处理，突出有用的特征信息，过滤无用的信息[5]。针对不同的特征信息有不同处理方法，目前常用的方法有图像降噪、图像增强、图像分割及图像特征提取等。
2.4机器视觉软件
机器视觉软件是机器视觉的“大脑”。常见的视觉软件可按功能分为两类：一类是专用功能（如金属铸件检测、BGA锡珠检测以及LCD检测）;另一类是通用功能（如测量、定位、实时反馈以及分类检测）。按视觉软件侧重面可分为3大类：第1类为图像处理方面的视觉软件（如OpenCV、Halcon、VisionPro）;第2类为算法方面的视觉软件（Matlab、LabVIEW）;第3类为相机SDK开发的视觉软件（eVision）。目前，应用较为广泛的视觉处理软件是Halcon、OpenCV和VisionPro。Halcon具有1400多个独立算子，可供多种开发语言调用，同时具有独特的底层数据管理和多种开发语言接口、工业相机接口;OpenCV是一个开源跨平台计算机视觉库，适应多种操作系统，同时支持多种编程语言，但OpenCV的开发周期相对长;VisionPro是由美国Cognex公司研发的一款视觉软件，具有图像预处理、拼接和标定等功能，开发效率较高，可采用图形编程，也可采用API函数编程。近些年，国内机器视觉软件系统发展迅速，发展较好的视觉软件有深圳OPT的SciSmart智能视觉软件、陕西维视图像Visionbank以及北京凌云光VisionWARE等。
3机器视觉技术在工业领域的应用
在以智能制造为核心的工业4.0时代背景下，以及《中国制造2025》等战略部署的不断深入，我国智能制造产业发展迅速，基于机器视觉的智能制造市场呈现爆炸式增长。智能制造是工业变革的重要方向，是制造业的主要驱动力之一。机器视觉技术是智能制造核心技术，对我国工业发展起着至关重要的作用。目前，机器视觉技术主要应用于金属加工、包装、电子及半导体和工业机器人等行业。
3.1金属加工和包装行业
在机械制造工业中，金属加工过程尤为重要。通过机器视觉技术可以提高金属加工效率，实时检测金属加工过程和加工产品表面质量，推动制造业朝着更高的自動化方向发展[6]。
随着我国工业自动化技术的快速发展，医疗、食品、烟草、饲料及印刷等行业的生产效率不断提高，对产品包装效率的要求也不断提高。目前，我国包装产业包装效率低、成本高、智能化水平低，导致包装产业整体发展速度缓慢。然而，基于机器视觉技术设计的智能包装系统具有包装效率高、系统可靠性强、智能化程度高及运行成本低等优势。基于机器视觉技术的包装系统是推动我国包装行业转型的重中之重。
3.2电子及半导体行业
中国是世界最大的3C（计算机类、通信类、消费电子类）产品制造国，产能约占全球的70%。从我国机器视觉工业上的应用分布来看，46%都集中在电子和半导体行业。电子和半导体制造是机器视觉的核心应用领域，因为电子设备和半导体制造对机器视觉技术存在刚性需求。在半导体制造中，前、中段都需要机器视觉技术的精密定位与测量功能，后段制造过程中，晶圆的电器检测、切割、AOI封装以及缺陷检测等过程也都需要大量运用机器视觉技术。
3.3工业机器人行业
机器视觉技术在工业机器人领域的应用功能主要是定位、引导、纠偏及实时反馈。随着我国工业自动化和智能化的迅速发展，人们对工业设备的工作精度和运行效率提出了更高的要求。传统人工控制设备存在不能保证高精度、产品质量不稳定以及工作效率低等问题，无法满足当前工业产业发展需求。机器视觉技术具有实时性好、定位精度高等优点，提升了工业机器人的柔性和智能化水平[7]。
4机器视觉技术发展趋势
机器视觉技术的发展还面临很多问题。解决这些问题是机器视觉技术进一步发展的关键，也是未来机器视觉技术发展的趋势。
4.1国内高端产品的硬件主要依赖进口
国内在智能相机与传感器研发中，结合光学物理学科是机器视觉系统中的相机及传感器发展的一个重要突破口。在工业镜头与光源上，研发高分辨率镜头和更小的光源是关键。
4.2模块化的通用型软件平台和结合AI技术软件平台是视觉软件的发展方向
视觉软件会缩短开发周期并降低对开发技术人员的要求。由于与之相匹配的算法工具发展有限，导致机器视觉技术在智能性方面达不到工业场景应用要求，因此需加快相关算法的升级创新，从而进一步提升机器视觉系统的智能性，其中模块化的通用软件平台和结合AI技术软件平台是视觉软件的发展方向。
4.3机器视觉由2D视觉逐步向3D视觉发展
随着算法算力的不断提升，为使机器视觉应用于更多复杂工业场景中，如基于机器视觉的三维重建及修补技术、三维扫描以及3D识别等技术对3D视觉技术有更高的要求。
4.4机器学习和深度学习在机器视觉系统的应用
可将机器学习的算法应用于机器视觉软件，提升系统運算处理能力。可将深度学习的特征学习能力和特征表达能力与机器视觉的实时性和高效性相结合，提升机器视觉的工作效率。
4.5机器视觉行业标准亟待规范完善
目前，一套机器视觉设备在实际应用中往往需要搭配与之配套的硬件设备和专用的视觉软件，导致机器视觉产品的通用性很低。需出台完善的行业标准，提高相关设备的通用性，降低生产成本和维修费用，从而加快机器视觉行业的发展。
5结语
机器视觉技术是实现工业智能化的必要手段。随着深度学习、机器学习、3D技术和机器视觉互联互通技术的快速发展，机器视觉智能化水平不断提升，机器视觉技术在工业智能领域的应用会朝着智能识别、智能检测、智能测量以及智能互联的完整智能体系方向发展，从而更好地发挥其高精准度、高效率的作用，为中国智能产业开启“智慧之眼”。
参考文献：
[1]胥磊.机器视觉技术的发展现状与展望[J].设备管理与维修，2016（9）：7-9.
[2]何新宇，赵时璐，张震，等.机器视觉的研究及应用发展趋势[J].机械设计与制造，2020（10）：281-283.
[3]张巧芬，高健.机器视觉中照明技术的研究进展[J].照明工程学报，2011（2）：31-37.
[4]雷晓峰，李烨.数字工业相机中CMOS传感器的最新发展[J].传感器世界，2017（10）：7-11.
[5]朱云，凌志刚，张雨强.机器视觉技术研究进展及展望[J].图学学报，2020（6）：871-890.
[6]黄伟.基于计算机视觉技术的金属加工过程监测方法[J].世界有色金属，2018（23）：20-21.
[7]夏群峰，彭勇刚.基于视觉的机器人抓取系统应用研究综述[J].机电工程，2014（6）：697-701.
猜你喜欢机器视觉发展趋势全自动模拟目标搜救系统的设计与实现电脑知识与技术(2016年28期)2016-12-21基于机器视觉的自动浇注机控制系统的研究科技视界(2016年26期)2016-12-17大场景三维激光扫描仪在研究生实践教学培养中的应用科教导刊(2016年25期)2016-11-15基于机器视觉的工件锯片缺陷检测系统设计软件工程(2016年8期)2016-10-25基于机器视觉技术的动态“白带”常规检测系统的开发科技视界(2016年20期)2016-09-29机器视觉技术在烟支钢印检测中的应用企业导报(2016年10期)2016-06-04河南科技2021年31期
河南科技的其它文章我国喀斯特生态系统野外观测研究站联盟成立第二届中国·河南开放创新暨跨国技术转移大会成功举办HY-WP1型天气现象智能观测仪的安装、应用及维护基于微信小程序的场馆预约系统设计基于软件测试度量指标的质量模型研究自动调平平台结构及控制系统设计研究人工智能在医学图像处理中的研究进展与展望
自伦琴1895年发现X射线以来，医学图像已经成为诊断人体疾病的重要医学检查手段。如今，计算机断层扫描(CT)、磁共振成像(MRI)和超声等医学图像都是疾病诊断最直接、最常用的方法。然而，大量的医学图像需要临床医生和影像科医生花费很多时间和精力进行阅片分析，并且还可能会因医生个人主观经验或疲劳出现阅片错误，导致疾病错诊、漏诊和误诊等问题，因此，亟须有数字化、智能化的软件和程序来解决这个问题，提高阅片速度和效率，减少医生错诊、漏诊和误诊的出现概率。
人工智能(artificialintelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学，通常是指通过计算机程序来呈现人类智能的技术。根据2017年中华人民共和国国务院印发的《新一代人工智能发展规划》，人工智能已经成为我国科技的重要发展战略方向，其在我国各行各业都有重要体现。近年来，随着深度学习的发展，人工智能技术在医学领域取得了很多突破性进展，尤其体现在医学图像处理方面[1-2]，前期主要包括CT、MRI和超声图像中病灶的智能识别、自动分割、三维重建和三维量化，以及后期的疾病智能诊断和预后评估。本述评将从人工智能辅助医学图像分割和三维重建、疾病的智能诊断和预后评估三个方面探讨人工智能在医学图像处理中的研究进展，并对今后的医学人工智能的研究方向进行展望。
1人工智能辅助医学图像分割从MRI、CT、超声等多种模态的医学图像中，我们能够获取人体器官和病灶的二维生理学和形态学图像信息，但想要更直观地观察疾病病灶的三维形态和空间毗邻关系，实现对疾病的精准量化，为患者提供更准确的疾病信息、疾病诊断和最优治疗方案，则需要借助医学图像分割和三维重建技术，获得病灶及毗邻结构的三维数字化模型。传统医学图像的分割与三维图像重建主要依靠人工进行，存在耗时、繁琐、主观偏差(不同人员对知识的掌握与理解不同，导致分割与重建的误差)等缺点。
人工智能技术的运用对于医学图像分割具有重大的意义和应用价值，特别是基于深度学习的卷积神经网络算法有助于提高分割效率、缩短分割时间、减少主观偏差，可以将医生的精力从图像分割中解放出来。近几年一些研究表明，通过对经典卷积神经网络模型的改进可以在医学图像上对一些复杂组织结构达到很好的分割效果。香港中文大学LI等[3]于2018年提出的混合密集连接网络(H-DenseUNet)在肝脏分割方面取得了非常好的效果，很好地解决了同时分割肝脏和病灶的问题。同年，ZHAO等[4]研究团队通过将全卷积神经网络(fullyconvolutionalneuralnetworks,FCNN)和条件随机场(conditionalrandomfields,CRF)集成到统一框架中，开发了一种新的脑肿瘤分割方法，获得了具有外观和空间一致性的较好的分割结果。2019年巴西西拉联邦大学的ARAÚJO等[5]通过细胞分割深度学习技术的细胞学分析计算工具，在没有预分割的情况下排除包含异常细胞的低概率图像，从而提升了Pap测试检验效率，比现有的方法运行得更快，而且检测精准度不会受白细胞和其他污染物存在的影响。2020年山东师范大学XUE等[6]在快速采集的梯度回波图像上开发出一种基于深度学习的网络检测和分割方法，通过Dice测量自动和手动分割结果之间的重叠，证明该网络可以自动准确地对脑转移肿瘤病灶进行检测和分割，敏感性为(0.96±0.03)，特异性为(0.99±0.0002)，Dice值为(0.85±0.080)。在分割存在较大难度的肌肉组织方面，加拿大西蒙弗雷泽大学工程科学学院的DABIRI等[7]于2020年利用深度学习算法设计出包含第三腰椎(L3)轴向切片定位网络和肌肉-脂肪分割网络，将其运用在腹部CT图像上，实现了L3切片定位，其平均误差在(0.87±2.54)，完成了骨骼肌、皮下脂肪组织、内脏脂肪组织和肌肉间脂肪组织的自动分割，其平均Jaccard得分为97%、98%、97%、83%，定位和分割网络性能表明该方法具有高精度的全自动身体成分分析的潜力。2021年中国北京大学第一医院神经内科的YANG等[8]构建了卷积神经网络，用于分割MRI图像下肌肉结构，以获得肌肉在人体结构中的比值，用于诊断肌营养不良障碍，该深度模型在鉴别肌营养不良症患者方面表现出良好的准确性和敏感性，并通过与3名放射科医生对比，证明了该模型通过MRI图像诊断肌营养不良症方面存在潜在应用。
2人工智能辅助疾病的智能诊断医学疾病的诊断对患者预后评估以及治疗方案的选择至关重要，然而，医生对医学影像的准确解读需要较长时间专业经验的积累，有经验医生的培养周期相对较长。因此，人工智能辅助疾病的智能诊断非常重要和关键，不仅可以提高对医学图像的检测效率和检测精度，减少主观因素带来的误判，提高医生诊断速度，帮助年轻医生对比学习和快速成长，还能帮助缺少医疗资源的偏远地区、基层医院及体检中心提高筛查诊断的水平。这方面研究主要包括医学图像上疾病病灶的识别与分类，特别是在皮肤癌、肺癌、肝癌等常见疾病的诊断方面有突出进展。
早在2017年斯坦福大学的研究者[9]已经成功训练了一个可以诊断照片或皮肤镜下皮肤癌的深度学习算法，该算法不仅可以区分角质形成细胞癌和良性脂溢性角化病，还能准确识别出恶性黑色素瘤和普通的痣，该研究设计的深度卷积神经网络在测试时都达到了专家的水平。人工智能的皮肤癌鉴定水平已经达到了皮肤科医生水平，预计在不久的将来，具有该皮肤癌诊断算法的移动设备可以让皮肤科医生的诊断拓展到诊室之外，实现低成本的皮肤病重要诊断。
人工智能辅助肺癌的识别和诊断可显著减少过度诊断，主要的应用是在医学影像的基础上通过区分良性和恶性结节来改善肺癌的早期检测，因为早期识别恶性肺结节对于肺癌后期的手术、放化疗等治疗至关重要，同时决定了肺癌的预后。2019年ZHAO等[10]探索了利用最先进的深度卷积神经网络的3种策略包括修改一些最先进的卷积神经网路(convolutionalneuralnetworks,CNN)架构，集成不同的CNN构架和采用迁移学习，对CT图像上的恶性和良性肺结节进行分类，最后证明迁移学习的效果最佳。BONAVITA等[11]使用3D卷积神经网络评估肺结节恶性程度，并将其集成到自动化的端到端的现有肺癌检测流程中，提高了肺癌的预测效果。另外，美国德克萨斯大学西南医学中心WANG等[12]认为深度学习算法还将会影响肺癌的数字病理智能检测的发展。随着技术的进步，深度学习包括多任务学习、转移学习和模型解释等，都会对肺癌的诊断起着积极的影响效果。
随着越来越多研究的发表，人工智能技术在肝病诊断和治疗方面的应用也越来越多。CHOI等[13]利用来自7461例患者的大量CT图像数据集，开发了一个用于对肝纤维化进行分期的CNN模型，其性能优于放射科医生以及氨基转移酶-血小板比指数和纤维化-4指数等血液生化学指标，证明人工智能可以实现在CT图像上准确地诊断肝纤维化并对其进行分期。YASAKA等[14]使用来自460例患者的肝脏CT图像训练的CNN模型在肝脏肿块鉴别诊断中表现出较高的诊断性能。NAYAK等[15]开发了一种新的基于深度学习的肝脏三维分割和肝细胞癌(hepatocellularcarcinoma,HCC)检测系统，用于对肝硬化和HCC进行诊断分类，效果较好。HAMM等[16]使用434例HCC患者的MRI图像建立了一个CNN分类器对6个类别的具有典型成像特征的肝脏病变进行诊断分类，测试集性能显示平均敏感性为90%，特异性为98%，每个病变的计算时间为5.6ms。这些研究都表明人工智能深度学习可作为放射科医生最终决策支持工具的潜力，以及其能以省时的方式整合到临床工作流程的可行性。肝活检是目前检测、风险分级和监测非酒精性脂肪肝患者的标准，美国纽约州西奈山的伊坎医学院肝病科DINANI等[17]认为人工智能给诊断非酒精性脂肪肝及其表型风险分级带来希望，利用人工智能可以提高识别有非酒精性脂肪肝和晚期纤维化风险患者的能力，客观地评估肝脏疾病诊断并改进肝组织的组织学评估不足之处。
此外，人工智能在辅助膀胱癌的诊断上也有一些应用进展。2019年美国加州斯坦福大学医学院泌尿外科SHKOLYAR等[18]通过研究发现将人工智能中的深度学习算法用于增强的膀胱镜检查，可以改善肿瘤的定位精准度、肿瘤的识别率、术中导航效果和膀胱癌的手术切除效果。2020年德国美因茨大学医学中心病理学研究所WOERL等[19]尝试利用人工智能深度学习单独从传统的组织形态学中检测肿瘤组织外观，进而诊断侵袭性膀胱癌分子亚型，发现其诊断效果良好，类似或优于病理学专家，表明人工智能用于预测侵袭性膀胱癌的重要分子特征，有可能显著改善该疾病的诊断和临床管理。
3人工智能辅助疾病的预后评估通过患者信息和图像分析，提取肿瘤的大小、部位、形态、边界、质地等特征，预测疾病治疗反应，评估疾病的预后，可以帮助医生更好地选择合适的治疗方式，这方面的研究在不断发展，这也是医生和患者都关心的问题。2018年香港中文大学重点肿瘤实验室CHAN等[20]通过回顾性研究，分析3903例接受手术切除的早期肝细胞癌患者，构建了两个统计模型，用于预测切除后早期HCC的复发风险，模型经过广泛验证被证明适用于国际环境，临床医生使用后能够估计个别患者复发的风险，对指导监测随访和切除后辅助治疗试验的设计很有价值。通过近几年的发展，影像组学在肿瘤诊断、分期、预后以及预测治疗反应等方面也取得很多进展[21-22]。南京医科大学第一附属医院放射科的XU等[23]于2019年回顾性分析了总共495例肝癌手术切除的患者，构建的综合影像组学模型显示肿瘤大小和瘤内不均匀性与肿瘤微血管浸润相关，表明结合大规模的临床影像和影像组学特征构建模型，不仅能够有效预测HCC微血管侵犯风险，并可对患者术后复发及生存进行评估。2020年广州中山大学第一附属医院超声科LIU等[24]基于2008-2016年共419例患者(包括射频消融和外科手术切除患者)的肝脏对比增强超声，建立人工智能影像组学模型，预测射频消融和手术切除的无进展生存期，结果显示基于深度学习的影像组学模型可以实现无进展生存期的术前准确预测，可以促进极早期或早期肝细胞癌患者的最优化治疗方式选择。不仅如此，此研究团队还利用基于人工智能的影像组学方法在超声造影中准确预测肝细胞癌患者对经动脉化疗栓塞的反应，并在不同验证集中表现出高度可重复性[25]。由此可见，结合深度学习和影像组学的优势，可以更大程度地对疾病进行治疗反应预测和预后评估。2021年美国加利福尼亚州斯坦福大学医学院放射肿瘤科JIN等[26]通过多任务深度学习方法，充分利用治疗的动态变化信息，成功预测新辅助化疗后直肠癌出现病理完全缓解的可能性，在160例和141例患者的多中心验证中获得的受试者工作特征曲线下面积(areaundercurve,AUC)分别达到0.95和0.92，结合肿瘤血清标记物后，该模型的预测精度进一步得到提高，这项研究可用于改进治疗反应的评估和疾病监测，并有可能为个性化医疗提供信息。
4展望近年来，随着社会的数字化和智能化发展，虽然由于医学的严谨性和复杂性，人工智能在医学上的产品并不多，但是人工智能已在医学的研究上广泛普及。通过本述评对近几年国内外医学人工智能的研究和应用的分析，我们认为，医学院校的人工智能辅助医学图像处理方面的研究可主要聚焦于以下几个方面。
4.1医学影像和病理图像的智能分割人体正常结构和病灶详细信息的精准获取来源于人体结构的边界精准分割，而且人体结构三维图像和三维形态学参数的获取更依赖于二维影像学和病理学图像的分割，图像分割是后期疾病诊断、预后评估、治疗决策的基础，但是分割会花费医生大量的时间和精力。因此，亟须通过人工智能算法或工具，来解决手工分割耗时长、精度差、精度依赖于医生个体经验的问题。
目前，基于人工智能的深度学习算法常用于医学影像学图像如CT、MRI、超声和病理学图像的分析。一般在图像中选择一些具有一定准确几何形态规律的、相互变异较小的、边界比较清楚的人体组织结构，来进行深度学习算法或软件的训练，比如人体大脑、小脑、肝、肺、肾、脾、乳腺、甲状腺、骨骼肌等，尤其目前的研究在肝癌、肺癌等常见病、多发病的体现最多，往后的研究会逐渐向适合深度学习的而又为常见病多发病的实质性脏器疾病发展，如胰腺癌、食管癌、腮腺肿瘤等。然而，对于一些变异较大的结构如小肠、静脉，就不大适合使用深度学习算法进行分割，反而阈值法和区域扩增等传统算法可能会更加适合，因为目前的深度学习算法大多属于监督学习，需要医生的精准标注进行训练，而标注这些变异较大的结构会大大增加医生的工作量。因而，肉眼能识别和分割出来的结构，人工智能分割实施效果会较好，肉眼难以准确识别的结构，人工智能算法效果也会欠佳。因此，目前开展人工智能进行医学图像分割研究需要选择合适的分割结构和合适的临床疾病，但随着人工智能方法的不断更新，非监督学习的发展，医学图像的分割难题可能会得到解决。
4.2人工智能辅助疾病诊断疾病快速精准诊断是精准治疗的关键，传统的诊断存在医学诊断个体差异、耗时长、优势医疗资源相对匮乏等问题。人工智能辅助疾病诊断包括疾病病灶检测和疾病分类分期确诊，数据源主要来自人体影像学和病理学数据。在诊断效率上，人工智能在某些疾病的诊断上水平已经超过了医生，已经在临床上开始使用，比如肺癌、皮肤癌、乳腺癌等这几类都是常见的肿瘤，因为其训练样本达到了几千或几万病例。其他疾病如胶质细胞瘤、宫颈癌、直肠癌的智能诊断还处于发展阶段，主要原因是训练集样本量不够多，非多中心实验，这一部分研究仍可继续挖掘。还有一些如非肿瘤性的内科疾病比如感染性疾病、自身免疫性疾病等仍未作为研究的重点，这一部分的研究仍可继续开展。
人工智能辅助疾病诊断模型存在构建的通用性模型在特定任务中表现不理想的情况，如人体眼底彩色照片的眼底疾病的筛查和诊断中，使用通用性筛查模型往往在具体疾病的识别中表现就不够理想。同时，模型的构建，往往对图像的源数据质量要求比较高，如不同医院、不同医疗设备、不同操作技师所获取的数据就不一样，如果只用来自一家医院的数据，而不入组其他医院的，那么最后构建的模型，就不能精准智能诊断其他数据源的数据。因此，人工智能辅助诊断研究，早期可从单中心数据源选择入手，但在后期，则需要考虑多中心数据，这样，构建的智能诊断模型才能够具有通用性。
人工智能诊断疾病的技术路线要基于影像科或病理科医生，把他们的疾病诊断思路弄清楚、弄明白，才能更准确地让机器学习医生的诊断思路，进行智能诊断，从而达到疾病的精准诊断。如病理科医生诊断肿瘤，先判断细胞核的核分裂象和核异质性，再考虑细胞质的异常变化，另外皮肤科医师根据痣的大小、边界、颜色、质地均匀度、部位进行痣良恶性的判定，让机器按这样的思路学习才能事半功倍，实现精准诊断。
4.3人工智能辅助疾病预后评估人工智能辅助疾病预后评估，目前为临床医生和患者及家属最关心的问题。通常采用回顾性的研究分析方法，构建疾病智能预后评估模型，进行预后风险性评估研究和手术、放疗以及新辅助化疗风险性评估。目前，这一部分的研究逐渐成为医生和医学家关注的重点，比例在增高，甚至部分领域高于目前的人工智能辅助诊断研究。
疾病预后评估智能模型的构建及研究，同样需要结合临床医生的思维和诊断流程，比如肺癌、肝癌的智能预后评估，危险性主要跟其结节大小、部位、边界、质地均一度、供应血管丰富程度、与重要脏器的毗邻关系、与重要血管的毗邻关系和病理学结果，这样才能让机器学习到相关性强的深层特征。
总之，医学人工智能是数字医学发展的新方向，为现代医学研究的主流热点，是未来医学发展的必然趋势。现在医学人工智能尚处于弱人工智能时代，不具备沟通的功能和能力，仍然需要人工智能技术的不断提高和完善，以期早日实现人机智能交流。同时，由于医学问题的因果关系链复杂、精准度要求高、病人个体差异大，所以对医学人工智能产品的要求很高，虽然研究成果多，但产品产出慢，耗时长，耗钱多，我们需要有足够的耐心等待其发展。因此，医学人工智能的研究往往需要针对某一种疾病，制定一个短期、中期和长期的计划。短期计划，即利用较小的训练集样本库，完成人工智能初步模型的构建，获得较好的测试验证结果；中期计划，利用至少几百例、甚至是多中心的大样本训练集，对人工智能模型进行优化完善，并在临床前瞻试验中得到验证；长期计划，在较完善训练集模型的基础上，继续扩大样本量至几千例，提升模型的泛化能力和兼容性，以提高诊断和预后评估的精度准，降低错诊、漏诊和误诊的概率，达到产品上市的条件。
医学人工智能时代已经来临，我们亟须紧跟数字医学和人工智能时代步伐，激流勇进，为未来医学的创新和改革做出贡献。
2023年中国人工智能芯片行业市场现状及发展趋势分析 行业尚处于起步阶段【组图】
当前位置：前瞻产业研究院»经济学人»研究员专栏2022年中国人工智能芯片行业市场现状及发展趋势分析行业尚处于起步阶段【组图】UVc分享到：黄思倩•2022-01-1815:30:03来源：前瞻产业研究院E52363G02022-2027年中国人工智能芯片（AI芯片）行业战略规划和企业战略咨询报告人工智能芯片行业主要上市公司：中科创达(300496)、寒武纪(688256)、华天科技(002185)、北信源(300352)等
本文核心数据：人工智能产业链结构、人工智能企业层次分布、人工智能企业核心技术分布、中国人工智能芯片市场规模等。
芯片为人工智能产业奠定基础
人工智能产业链包括三层：基础层、技术层和应用层。其中人工智能芯片(AI芯片)所在的基础层是人工智能产业的基础，主要包括AI芯片等硬件设施及云计算等服务平台的基础设施、数据资源，为人工智能提供数据服务和算力支撑。
行业布局尚且较少
《中国新一代人工智能科技产业发展报告(2021)》显示，截至2020年底，中国人工智能企业布局侧重在应用层和技术层。基础层企业数量占比仅为2.3%。
从人工智能企业核心技术分布看，大数据和云计算占比最高，达41.13%，其次是硬件、机器学习和推荐、服务机器人。智能芯片占比仅为2.38%。
仅观察基础层和技术层人工智能企业核心技术分布情况，大数据和云计算依然是分布最多的领域，占比达28.27%;智能芯片占比略有提高，达8.90%。但整体来看，AI芯片作为人工智能的“心脏”，无论是企业数量还是技术发展水平目前在我国人工智能全产业链中均处于弱势地位，行业尚处于起步阶段，急需寻求突破。
5G技术推动行业发展
随着大数据的发展，计算能力的提升，人工智能近两年迎来了新一轮的爆发。2020年我国人工智能芯片市场规模约为184亿元。未来5G商用的普及将继续催生人工智能芯片的应用需求，中国人工智能芯片行业将快速发展，预计2023年市场规模将突破千亿元。
综上所述，我国人工智能芯片行业尚处于起步阶段，无论从企业数量还是核心技术来看，布局都尚浅，但作为人工智能行业的基础，未来随着我国5G技术的进一步发展和应用的普及，人工智能芯片行业有望乘势而上。
以上数据参考前瞻产业研究院《中国人工智能芯片行业战略规划和企业战略咨询报告》，同时前瞻产业研究院还提供产业大数据、产业研究、产业链咨询、产业图谱、产业规划、园区规划、产业招商引资、IPO募投可研、IPO业务与技术撰写、IPO工作底稿咨询等解决方案。
更多深度行业分析尽在【前瞻经济学人APP】，还可以与500+经济学家/资深行业研究员交流互动。
前瞻产业研究院-深度报告REPORTS2022-2027年中国人工智能芯片（AI芯片）行业战略规划和企业战略咨询报告本报告第一篇为现状篇：第1章分析了人工智能芯片行业的发展现状；第2章分析了行业面临的新形势；第3章分析了现有企业竞争态势及策略；第二篇为人工智能芯片行业短期发展...
查看详情
本文来源前瞻产业研究院，内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）品牌合作与广告投放请联系：0755-33015062或hezuo@qianzhan.com在招股说明书、公司年度报告等任何公开信息披露中引用本篇文章内容，需要获取前瞻产业研究院的正规授权。如有IPO业务合作需求请直接联系前瞻产业研究院IPO团队，联系方式：400-068-7188。
p47q0我要投稿
UVc分享：标签：人工智能芯片市场现状发展趋势人工智能芯市场规模人工智能行业品牌、内容合作请点这里：寻求合作››
产业规划
园区规划
产业招商
可行性研究
碳中和
市场调研
IPO咨询
前瞻经济学人专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。前瞻产业研究院中国产业咨询领导者，专业提供产业规划、产业申报、产业升级转型、产业园区规划、可行性报告等领域解决方案，扫一扫关注。相关阅读RELEVANT2023年中国人工智能芯片行业发展现状分析行业处于萌芽期【组图】
预见2023：《2023年中国人工智能芯片行业全景图谱》(附市场规模、竞争格局和发展前景等)
2023年中国人工智能芯片行业市场现状及发展前景分析AI芯驱动引领未来【组图】
【行业深度】洞察2023：中国人工智能芯片行业竞争格局及市场份额(附市场集中度、企业竞争力评价等)
预见2023：《2023年中国公路养护行业全景图谱》(附市场现状、竞争格局和发展趋势等)
预见2023：《2023年中国特种油品行业全景图谱》（附市场现状、产业链和发展趋势等）