凭借其提高的生产力和准确性以及更加个性化的体验，AI正在彻底改变医学成像。据Signify Research称，到2023年，全球医学影像人工智能市场，包括自动检测，量化，决策支持和诊断软件，将达到20亿美元。

全球医学图像分析软件的收入预测（Signify Research）

医学成像处理中使用的AI技术包括深度学习，机器学习，AR，数据挖掘等。这些技术能够实现疾病筛查，疾病诊断，医学外科等方面的一系列目标。

AI激活医学图像处理：医学图像处理本质上是计算机视觉技术的应用。机器学习和深度学习等AI技术被用于计算机视觉技术处理的成像数据的智能分析，如成像配准和融合; 并可以协助医生进行医学图像标记，疾病诊断和手术。

医学图像与其他类型的数据集成以供分析：如果在AI算法的训练中将医学成像数据与患者的身体体征，病史，遗传信息，身份信息和其他非图像数据相结合，这可以帮助机器分析更高维度的数据并提取最基本的特征。探索疾病背后隐含的相关性可以帮助医生更准确地诊断疾病。

深度学习在疾病诊断中超越机器学习：传统的计算机辅助诊断（CAD）方法主要基于机器学习或专家系统，并且因机械运行或无益而受到批评。然而，深度学习算法已被证明更有效，并且可以更全面地处理医学数据，提取有用信息并输出疾病的关键点，从而使医生免于耗时的临床工作。

医学成像使用情景中的

AI在处理医学成像数据时，AI具有优势，因为CNN和RNN可自发地适应图像处理。在医院和其他医疗机构，如独立成像中心和体检中心，医学成像处理已成为人工智能最重要的实际应用之一。

下表排除了没有医学成像数据的情景，例如医学纯文本处理。它也省略了生物电，其中图像处理技术与通用计算机视觉技术截然不同。

谷歌--LYNA： 谷歌的LYmph节点助手（LYNA）深度学习计划可以训练乳腺癌患者的病理幻灯片，以准确检测乳腺癌的传播。该算法可以区分载玻片与转移性疾病，并确定每张幻灯片中的癌症部位和其他可疑区域。与LYNA相比，病理学家检查幻灯片所需的平均时间仅为一分钟，而没有助手则需要两分钟。

ImmersiveTouch--ImmersiveView：这是一套集成的VR实时解决方案，用于优化个性化的手术计划，患者参与和手术教学。ImmersiveView套件将CT和MR图像转换为直观，准确，高分辨率的VR模型，允许医生操纵和探索患者的VR模型，以评估手术选项并为手术做好准备。

直观的手术--达芬奇系统：达芬奇系统包括一个控制台和一个包含腹腔镜的病人侧推车，腹腔镜是一个细管，在终端设有微型摄像头和光源。它的设计允许外科医生靠近控制台操作并移动摄像头，摄像头将图像发送到显示器以指导外科医生。

医学影像中AI的趋势和局限性

人工智能技术受到医学影像市场的欢迎，因为它可以降低效率低下并节省医生的时间，但也有一些因素限制了AI在医学影像中的实际应用。例如，大量医学成像数据分散在不同的医院，独立的成像中心和研究机构中，这使得难以有效地组装和利用医学成像数据。

AI的快速改进继续推动医学成像技术的开发和部署。除疾病诊断外，AI还可用于分子/细胞水平的图像处理和介入成像，协助非手术诊断和治疗。预计监管机构和行业协会将合作组建医学影像专家团队，为行业建立算法模型评估标准。