在印度这样一个大国提供优质的卫生服务和筛查农村人口极具挑战性：

67%的印度人口居住在农村地区;

90%的医学影像设施都在城市;

而且该国每百万人中只有三名放射科医师。

虽然教育健康计划提高了人们对印度医疗筛查重要性的认识; 反过来，这增加了少数已经负担过重的放射科医师的工作量。因此，放射科医师进行详细诊断的时间更短。医学界正在争分夺秒地改善所有印度人的前景，人工智能(AI)可能是它所需要的突破。

用深度神经网络增强筛查

由助理教授Debdoot Sheet领导的MIRIAD 项目正在研究深度神经网络(DNN)如何增强人工智能放射学筛查技术，以拯救整个印度的生命和改善医疗保健。

Debdoot说，挑战在于如何处理各种医学图像的大规模多样性，包括X射线，计算机断层扫描(CT)，磁共振成像(MRI)和组织病理学整体幻灯片图像(WSI)。还存在关于图像数据的性质以及病变和疾病的形态和器官特异性外观的领域细节。“这些图像中的通道数量并不总是限制为1(灰度)或3(RGB颜色)。这些因素使对象检测问题变得复杂，“Debdoot说。

尽管存在这些挑战，MIRIAD项目的第一项重大成就是开发了用于乳房X线照片的深度神经压缩引擎。该团队还处于高级阶段，对现有的DNN进行基准测试，以扩展乳腺X线摄影和胸部X光检查。

基于深度学习的压缩

受到基于深度学习的自然图像压缩的启发，Debdoot的团队设计并训练了一个完全卷积自动编码器模型，用于诊断相关的特征保留乳房X线照片的有损压缩。

使用算术编码在特征中封装大量空间冗余以进一步高密度编码打包，从而导致可变比特长度; 该团队使用峰值信噪比(pSNR)，结构相似性(SSIM)指数和数据集之间的域适应性测试，在两个不同的公开数字乳腺摄影数据集上展示了> 300×(0.04 bpp)的压缩因子。

支持技术

为了培训DNN，Debdoot的团队使用在英特尔®至强®Platinum8160和英特尔®至强®金6128处理器上运行的英特尔®AIDevCloud。这些网络在PyTorch *上实施，包括英特尔®数学核心函数库(英特尔®MKL)和用于深度神经网络的英特尔®数学核心库(英特尔®MKL-DNN)绑定和用于Python * 3.5的英特尔®分发版。

英特尔工程师帮助团队实现了最大程度的优化，加速了混合精度数据集中DNN的培训。访问一系列软件资源和支持的开发人员网络对于这一成功至关重要。

对于开始与MIRIAD项目开展类似项目的开发人员，英特尔AI DevCloud入门为英特尔优化的软件工具和参考平台提供了很好的介绍。

开发商的机会

基于学习的放射图像压缩和高效放射图像筛查的体系结构和方法有可能改善参与大规模筛查计划的所有患者的前景。因此，对于能够利用AI来帮助医疗成像和计算机辅助检测和诊断(CADx)设备制造商的开发人员来说，有很多很好的机会。