近年来，移动设备的普及和无线通信技术的进步，推动了移动互联网的发展，人们可以更方便灵活地获取所需信息^[1]。移动互联网也对医疗行业产生了影响，越来越多医生希望突破时间和地点限制，进行移动办公，通过移动终端传输、存储、显示和处理医学影像^[2]；在医疗资源受限的偏远地区，患者希望通过移动设备传输影像数据，并得到专家的诊断意见^[3]。为了满足医生和患者的远程诊断需求，许多研究团队将移动计算技术应用在医学影像领域，通过移动设备实现传统桌面端软件的功能^[4]，从而拓展了医学影像的使用场景。移动医学影像作为传统医学影像的延伸，其主要研究内容是如何基于移动设备实现医学影像系统中的各种功能^[5]，人工智能（artificial intelligence, AI）、云计算、5G等技术的发展也为移动医学影像提供了有力支撑^{[6, 7]}。

       从广义上看，移动医学影像属于远程医疗系统的一部分^[8]，图1展示了远程医疗的应用场景：患者可通过移动设备、可穿戴设备远程获取医疗服务；医生可以通过智能手机、平板电脑调阅影像，还可以在救护车、飞机、方舱CT等特殊场景中进行紧急诊断。通过移动医学影像技术，用户可以在智能手机或平板电脑等移动设备上随时随地访问、处理医学影像^[9]；除了实现医学影像系统的基础功能之外，还可以提供图像检索、分割标注和图像重建等更加丰富的功能，并可通过AI模型在移动设备上实现辅助诊断^[10]。

       目前，虽然移动医学影像已逐步应用于临床辅助诊断，并初步获得了医生和患者的认可，但由于移动设备存储容量和计算能力有限、移动无线网络存在易抖动、延迟高等限制因素，该领域仍存在一些问题亟待解决。本文将移动医学影像所面临的主要问题划分为传输、存储、显示、处理、数据安全和AI应用六大类，并根据这六类问题整理了现有的研究成果，阐述了移动医学影像的主要问题及研究现状，探讨了下一步的研究方向。

点击查看大图

图1  远程医疗示意图。
Fig. 1  Telemedicine schematic diagram.

1 研究现状

       近年来，围绕着移动医学影像的研究不断增多，该领域内许多问题有了新的进展。本节根据移动医学影像的六类主要问题，对目前移动医学影像的相关研究进行了整理。

1.1 传输

       当医生在移动端进行远程会诊时，需要将患者的影像数据快速、准确地传输到移动设备^[11]。然而，高质量的医学影像数据量较大，如何在不稳定且带宽受限的移动网络中进行及时、准确地传输是当下面临的主要问题。目前主要的解决方案包含图像压缩、按需传输和渐进传输三类。表1总结了这三类方案的特点。

1.1.1 图像压缩

       由于移动设备上无法直接显示医学数字成像和通信（digital imaging and communications in medicine, DICOM）格式的图像，将DICOM图像从影像数据库传输到移动设备之前，需要先对影像数据进行编码，转换成移动设备所支持的图像格式。医学影像中存在重复的数据，可以通过去除图像中的重复数据来缩小图像文件，达到缩短传输时间的目的。

       图像压缩算法被广泛应用于改善移动医学影像的传输中。Sushmit等^[12]基于卷积递归神经网络，提出了一种压缩率可变的X射线图像压缩算法，并通过结构相似指数和峰值信噪比两项指标，证明其具有较好的压缩性能；Amirjanov等^[13]综合考虑图像的亮度、对比度和像素属性，利用有监督的人工神经网络从不同压缩算法中确定医学影像的最佳压缩比；Tashan等^[14]利用了MRI图像的稀疏性，通过多级压缩感知的方法逐帧压缩图像，压缩水平比传统均匀压缩算法有显著提高。

       除了通过传统压缩算法减少传输数据量之外，有研究团队结合医学影像的数据特征，将一张图像分为感兴趣区域（region of interest, ROI）和非感兴趣区域（non-region of interest, Non-ROI）分别处理，针对医学影像不同区域包含的信息量不同的特点，仅对医学影像ROI采用无损压缩方式。这样既减少传输数据量，又最大程度地保留原始数据的重要信息^{[15, 16, 17]}。其中，Urvashi等^[15]利用分辨率无关的梯度边缘检测器去除图像像素的相关性，在ROI部分实现无损压缩，在Non-ROI实现高比例压缩；Subramanian等^[16]提出了选择性包围体积的分割方法，首先获得三维医学影像的感兴趣体积（volume of interest, VOI），再使用串表压缩算法和算术编码算法的混合压缩算法对获得的VOI进行压缩，实验证明该算法比哈夫曼编码、线性零树编码等无损编码算法的压缩效果更好；Kumar等^[17]通过深度神经网络和二值平面差分混合压缩模型实现了核磁共振脑图像基于区域的有效压缩，在同等压缩比下获得更高质量的压缩效果。

       还有研究者针对带宽时刻变化的移动网络环境特征，设置监测系统以实时响应带宽变化，动态选择适应当前网络状态的压缩率或压缩算法来处理图像^{[18, 19, 20, 21]}。比如，Antoniou等^[18]提出了一种目标优化的自适应编码框架，通过实时适应时变无线网络的状态实现稳定的传输性能；Rodrigues等^[19]提出了一种基于云的发布/订阅模型PS2DICOM，通过该模型实现医学影像数据的自适应压缩，减少网络带宽需求，提高传输效率；Zhuang等^[20]综合考虑网络带宽和用户偏好模型，首先对影像数据进行预处理得到最佳图像块副本，再根据候选图像块的优先级进行传输，该方法通过降低网络传输成本实现了传输时间最小化；Jiang等^[21]利用同一医学影像序列中相邻影像之间的视觉相似性，将序列划分成视觉上更相似的小序列，将每张图像划分为多个图像块，并根据当前网络带宽以及图像块的重要性，选择最佳分辨率下的医学影像进行传输，进而实现了一种高效的批量传输方案。

       尽管大多数压缩算法都是在满足临床诊断需求的前提下适当降低医学影像的质量，但仍然存在丢失重要信息导致的漏诊、误诊风险。除此之外，还需要考虑在移动设备上解压时带来的计算负载，及额外的处理程序所增加的移动设备耗电量。

1.1.2 按需传输

       与图像压缩类似，按需传输也通过减少传输数据量的方式提高医学影像在移动网络环境中的传输效率。二者不同点在于，按需传输不对医学影像本身进行处理，而是改进了传输策略，选择性地将医生需要的图像数据传输到移动设备。目前较为常见的方式是通过DICOM对象的Web访问标准建立模型实现按需数据传输^[22]；或是引入地图服务的瓦片金字塔模型，为每张医学影像构建由不同分辨率图像构成的瓦片金字塔，只传输与查看窗口大小相对应的图层，以适应医生缩放查看影像的习惯^[23]。按需传输是用户需求驱动型的解决方案，在满足用户即时需求的同时，可以有效改善移动网络中的传输瓶颈问题。

1.1.3 渐进传输

       不同于上述两种以减少传输数据量为切入点的传输解决方案，渐进传输主要通过减少用户的相对等待时间来缓解图像加载过慢的不良用户体验。渐进传输首先通过一种特殊的编码技术在多个阶段编码图像，再由服务器进行传输，客户端可根据已接收到的比特数同步重构图像^[24]，先显示轮廓再补充细节，图像显示由模糊到清晰^[25]。

       Park等^[26]引入了显著性特征构造压缩框架，先识别出三维医学影像数据的显著区域，再进行渐进式编码并传输到移动设备，有效解决了三维体数据的传输瓶颈问题；Ravikiran等^[27]提出了一种结合位平面切片、二叉树离散小波变换和多级树集合分裂算法的新体系结构，将当前相位数据与先前相位数据结合，进行渐进发送与重构，在低速通信信道下实现医学影像的高效传输。

       渐进传输在移动带宽有限的情况下将影像更重要的信息先传输到客户端，其独特的“边传输边解码”方式也更符合医生在移动设备上由粗到精的阅片习惯。此外，用户还可以根据情况选择是否继续接收未传输完毕的剩余数据，可以有效节省网络资源。其缺点是主流浏览器不支持直接显示该格式图像，必须为不同的浏览器定制解码程序，因此这种方式更适用于客户机/服务器架构。

点击查看表格

表1  移动医学影像中传输问题的解决方案
Tab. 1  Solution to the transmission problem in mobile medical images

1.2 存储

       移动设备的存储容量与传统的医学影像桌面工作站存在较大差距。为了缓解移动设备存储容量有限的问题，可将影像数据存储在服务器端。然而，如果医生每次请求获取影像数据时，都需经历在服务器端庞大的数据库中检索、匹配再传输的过程，时间成本和传输成本较高。因此，缓存成为了移动医学影像的重要解决方案。同时，云计算技术也为解决移动医学影像的存储问题提供了新思路。

       Schwind等^[28]通过在服务器端建立影像缓存，保证了对网络中所有影像数据的快速访问；Huang等^[29]改进了2Q缓存算法，把预读取与读取文件分别缓存到不同队列中，提高了影像文件的存取效率；Sun等^[30]考虑到服务器在用户缓存空间有限的组合网络中通过中继器与用户进行通信，提出了一种基于文件拆分和最大距离可分的编码缓存方案，提高了系统存储及数据访问的效率。

       此外，统计数据显示，查看影像数据的概率与时间呈负相关关系，医生大概率会重复查看三个月内的影像数据，时间越久，该影像的访问概率越低^[31]。由此得出结论：缓存近期的影像数据是提高效率、优化存储的有效方式。因而可以在服务器端设置缓存组件，存储医生最近请求的影像数据副本。Jiang等^[32]在移动设备本地设置缓存组件，在用户设备中存储热门访问内容，利用从本地缓存中加载图像的速度比通过网络传输速度更快的特性，节约传输成本，有效避免了数据的重复传输。

       云计算技术也被用于解决移动医学影像的存储问题。Chen等^[33]构建了支持云的远程医疗生态系统，利用动态规划和启发式算法优化了影像数据的资源存储分配；Yang等^[34]设计了数据源、服务云和服务提供商三层体系结构的医学影像共享服务网络设计方案，并已成功部署在广州市虎云医学影像诊断中心，为广州市第一人民医院提供了安全、有效的影像存储和管理。另一方面，云计算也带来了一些新的问题：该模式对于网络带宽的要求较高。随着数据量的增加，容易造成数据分析延迟，存储成本也会增加^[35]。

1.3 显示

       医学影像是医生诊断时的重要依据，虽然移动设备已经具备显示医学影像的能力，但在移动设备上查看医学影像仍会受到设备尺寸以及工作环境的影响。因此，如何保证显示质量至关重要。

       随着移动设备的显示屏分辨率越来越高、色域越来越宽，其显示质量也越来越好。美国医学物理学家协会（American Association of Physics in Medicine, AAPM）对医学影像显示器的像素、亮度、反射率等制定了显示标准范围。根据AAPM第18号任务组报告显示，移动设备具备显示医学影像的能力，可以突破时间、地点的限制为医生提供影像观察环境^[36]。

       然而，智能手机显示屏和专业医学影像显示设备之间仍存在较大差异，在智能手机屏幕上实现医用级显示效果还存在诸多问题。其中，尺寸是影响图像显示质量的关键因素。智能手机显示屏尺寸小，无法在医生查看完整的影像数据时充分显示细节，而且在医生进行缩放平移时会限制整体展示效果。虽然医生与移动设备的交互距离近，可在一定程度上抵消小尺寸屏幕的缺陷，但仍难以提供和桌面工作站同级别的显示效果。

       此外，图像对比度也是影响医生临床诊断的重要因素之一^[37]。医学影像对比度的区分非常依赖于显示亮度，在使用专业的桌面工作站时一般需要严格控制光照条件，维持低光照的观察环境。在屏幕反射率方面，移动设备与专业医学影像显示设备相当。然而，在亮度方面，由于智能手机不是专门提供医学影像显示服务的设备，其应用场景比专业医学影像显示设备更加复杂，比如用户会在医院走廊、出差途中、户外等非办公环境中使用手机查看影像。这个特性决定了使用移动医学影像服务时难以维持稳定的低光照环境，显示质量容易受到影响。但是移动设备的显示屏亮度一般偏高，可以一定程度上弥补高环境光的不足。

       为了提高移动设备中医学影像的显示质量，可以在服务器端先对图像进行预处理，再传输到移动端进行显示。表2列出了可以优化移动设备显示效果的方法。其中，为了提高医学图像的清晰度，可以采用去噪方法。比如，Wu等^[38]在服务器端通过乘法内在成分优化算法对医学影像进行降噪和预分割，将病灶边缘更加清晰的图像传输到移动设备上，进而在计算性能有限的移动设备中完成分割操作；Hu等^[39]则通过剪切波变换算法进行图像去噪，提高了医学影像在移动设备中的显示质量。去噪后的医学影像病灶区域和正常组织之间的界限更清晰，这为后续的分割操作提供了更高质量的图像，既节省了医生的处理时间又提高了分割精度。

       医学影像有特定的灰度及色彩显示范围，为了确保达到医用级显示效果，需要对显示器进行校准^[40]。传统的校准方法为光照补偿校准，需要结合实际阅片环境的光照条件和光度计测量的光度值进行操作^[41]。由于移动设备无法连接光度计，传统方法不适用于校准移动设备的显示屏。Hirschorn等^[42]试图让用户通过敲击测试的方式获取相应的光照补偿区间，确保手机屏幕准确描绘了医学影像的灰度范围。

       不同于专业医学影像显示设备，目前尚未形成完善的对医学影像在移动设备上显示质量的评估流程。大多数研究者将医生的判断作为金标准，通过对比医生使用移动设备和桌面显示器时诊断时间、诊断报告的差异，判断出二者在诊断准确性、敏感性和特异性等方面基本一致^[43]，从而得出移动设备显示屏可达到医用级显示效果的结论。比如，Westberg等^[44]比较了医生分别通过智能手机和桌面计算机查看新生儿胸片时诊断气胸的能力，最后判定两种阅片方式的诊断准确性相同；Komatsu等^[45]进行了医生分别使用智能手机和桌面显示器审查磁共振血管造影图像的对比实验，发现医生通过智能手机阅片的判读时间与桌面显示器的相近。

点击查看表格

表2  提高移动设备中医学影像显示质量的方法
Tab. 2  Methods of improving the display quality of medical images on mobile devices

1.4 处理

       移动端医学影像应用程序已具备辅助诊断和管理患者数据的能力^[46]，即移动设备可以提供和专业桌面工作站同样丰富的功能。如表3所示，目前大多数移动医学影像支持的功能包括以下五类：基础操作、图像检索、分割标注、多维重建以及图像渲染。

1.4.1 基础操作

       考虑到移动设备受到各种硬件条件的限制，大多数研究团队将缩放、窗宽窗位调整、图像灰度值变换等基础性图像处理功能放在移动端进行。目前android.graphics.Bitmap和android.graphics.Matrix等支持移动端的成熟图像工具包，可以提供给开发人员使用。不同于桌面端使用键盘和鼠标操作，在移动端更多采用手势进行操作。

1.4.2 图像检索

       医生可以通过移动设备，对储存在本地缓存或者远程服务器上的影像数据进行检索。为了提高检索效率，Jiang等^[47]针对移动端资源受限的特点，提出了一种高效的群体辅助移动相似度检索框架：首先在缓存中进行检索，再在主节点进行并行图像数据过滤和细化处理，借助高效的图像存储放置方案提高了检索效率；为了解决移动网络速度不稳定的问题，Zhuang等^[48]设计了一种CT序列分布式相似性检索算法，相比现有方案综合提升了检索准确度和检索效率；Liu等^[49]提出了一种哈希索引结构，根据用户请求参数在索引结构中进行相似匹配查询，返回用户所查询的医学影像，该方案既节省了响应时间又保证了查询稳定性。

1.4.3 分割标注

       医生一般使用鼠标在桌面显示器上对医学影像中的肿瘤进行分割、标注。随着移动医学影像的功能逐渐完善，医生可以通过手指或电容笔等触屏交互方式，直接在移动设备显示屏上勾画出影像的病灶区域。但是，由于医学影像的肿瘤组织边缘模糊、灰度不均匀，医生往往无法准确、稳定地进行分割。特别是智能手机的屏幕尺寸较小，更加限制了医生的操作空间。

       针对这一问题，Gao等^[50]先在服务器端使用几何变换、深度卷积生成对抗网络和循环生成对抗网络三种数据增强方法对MRI图像进行预处理，增强脑胶质瘤轮廓，在移动设备上获得敏感性、特异性和准确性较好的肿瘤分割结果。Li等^[51]采用半自动分割方式对图像分割：用户先在移动端选定初始区域并发送到服务器端，在服务器端通过自动分割算法对图像实现精确分割。此外，Curiel等^[52]将网格计算用于移动医学影像处理，利用移动设备的空闲计算周期，在多设备中并行进行图像分割，最后集成各个结果得到最终图像，提升了分割效率。

1.4.4 多维重建

       CT的图像重建分为面绘制和体绘制两种方式^[53]，表4展示了二者在资源需求、绘制时间、绘制效果、算法效率与实时交互性方面的差异。相比于面绘制，体绘制方法得到的模型细节丰富、质量更高。但是体绘制数据信息量庞大，需要占用大量计算资源。考虑到移动设备性能的局限性，可以在服务器端部署体绘制，实时响应来自移动客户端的请求。Karner等^[54]在服务器上根据患者的二维面部图像和CT扫描来重建三维面部CT图，再将重建三维图像发回移动端；Zhang^[55]等在移动立方体（marching cube, MC）算法的基础上提出基于区域生长和三线性插值的MC算法，在边缘服务器上实现了含噪CT图像的三维重建；Mady等^[56]结合光线投射技术和增强现实技术，使医生可通过移动设备查看患者身体的解剖结构；Iaquinta等^[57]通过基于Web的图形库技术实现了医学影像的3D可视化，不仅将移动设备作为3D成像的输出设备，还利用移动设备的硬件加速器提高了医学影像的三维重建效率；Tukora^[58]通过将内置计算单元的虚拟现实（virtual reality, VR）耳机作为智能手机的外接设备，运用混合的体绘制技术在虚拟空间中展示三维医学影像，增强了用户对于三维数据的感知性；El-Seoud等^[59]采用体绘制光线投射技术将CT、MRI图像重建为三维数据对象，并将数据存储到智能手机上，最后通过外接的VR头戴式设备为医生提供良好的三维可视化效果。

点击查看表格

表4  影像3D重建面绘制和体绘制的特点和区别
Tab. 4  Characteristics and differences between surface rendering and volume rendering in image 3D reconstruction

1.4.5 图像渲染

       由于智能手机没有足够的计算资源实现高级渲染效果，目前大多数移动医学影像通过服务器远程渲染在移动设备上实现可视化。Coutinho等^[60]开发的影像归档和通信系统可根据用户请求的影像数据将用户重定向到可视化页面，再由渲染服务器进行远程渲染，实现用户与三维CT模型的交互。

点击查看表格

表3  移动医学影像支持的处理功能
Tab. 3  The processing functions supported by mobile medical images

1.5 数据安全

       随着移动设备越来越多地被应用在医学影像领域，用户群体复杂、存储和传输环境不确定等因素也带来了新的安全问题。因此，需要制订相应的安全策略来保障医学影像数据在移动端传输、存储和使用过程中的安全。表5根据风险发生位置，将数据安全与隐私问题分为对象、存储和传输三类^[61]。

1.5.1 对象

       对象类问题是指没有确定医学影像的直接访问对象而引发的安全风险。查看图像是移动医学影像的主要服务之一，因此确认直接访问、操作医学影像的对象是保证数据安全的重要手段。考虑到使用移动医学影像服务的用户多种多样，包括临床医生、影像专家、患者等角色，因此需要为不同的用户设置各自权限，或设置用户身份验证，以保证数据访问的安全性以及患者信息的隐私性。Mohsin等^[62]通过手指静脉生物识别技术验证所有访问远程医疗系统的用户身份；Hossain等^[63]设计的安全系统基于OpenID标准验证用户的身份，有效阻止了未授权访问请求，保证了系统内资源与服务的安全。

1.5.2 存储

       由于DICOM文件头包含隐私信息，一个保障数据安全与防止隐私泄露的存储环境十分重要。在移动设备上进行本地存储存在一定的安全隐患，在云端存储数据也可能会发生用户信息泄露，严重威胁隐私安全^[64]。因此，在移动设备和云平台存储医学影像数据时，可以通过加密和水印技术保护存储安全。

       Elbasi^[65]提出了针对ROI鲁棒性与安全性的数字水印算法，通过基于分块的离散余弦变换算法在ROI中嵌入水印，并对带水印的医学影像进行攻击测试，验证了该数字水印算法的有效性；Eze等^[66]提出了一种动态选择的医学影像隐写与数字水印安全算法框架，使用三种可检测出隐私与图像篡改的信息隐藏算法保护图像数据的安全性，其有效性已在胸部X光数据集上得到验证；Afzal等^[67]提出了基于区域的两级加密技术：第一次使用混沌加密技术对ROI区域进行加密，第二次则通过位平面技术对整个医学影像进行轻量级加密，以保证患者的隐私安全；Li等^[68]为了避免单服务器存储的易攻击性，将医学影像存储在不同的服务器上，对医学影像创建阴影图像，只有收集所有阴影才能检索原图像，部分阴影则不显示患者信息，该方法计算成本较低，是一种适用于移动设备的影像数据安全保护方案；Sajjad等^[69]通过一种移动云辅助框架对医学影像数据进行三重加密保护：首先在数据准备阶段使用边缘导向数据隐藏方法将ROI嵌入到宿主图像中，其次在第二阶段将隐秘图像外包到云端进行选择性加密，最后在第三阶段将加密对象与Non-ROI结合，生成最终加密的医学图像；Bharti等^[70]提出一种基于遗传算法的有向加权复杂网络粒子群算法，用于解决基于密钥的医学图像最优加密问题，优化加密、解密过程中的安全性，保障了患者数据在云服务器的存储安全。

       相比使用环境充满不确定性的移动设备，服务器所处位置更固定，因此将DICOM图像存储在服务器端比存在移动设备更安全^[71]。此外，区块链也被应用在移动远程医疗中以保护患者的隐私，只有经过认证的用户才能获取存储在区块链中的患者数据^[72]。

1.5.3 传输

       为了保障医学影像在传输过程中的数据安全，Rajagopalan等^[73]将动态生成的一次性密码嵌入医学影像中，通过无线网络传输给目标用户，用户在验证一次性密码后得以确认数据未被篡改，这种方式保证了影像数据在医院局域网内传输的安全性。然而，用户还会通过医院之外的Wi-Fi或移动网络传输医学影像，这意味着同一区域内其他设备很容易检测并获取数据传输信号。因此，加密传输是一种有效防止信息泄露的方法。Choi等^[74]通过像素替换和像素置乱两个处理步骤对医学影像进行加密：首先利用密钥流改变原始图像的像素值，再应用陈氏混沌系统对图像的像素位置进行置乱，实现了高可靠性的加密策略；Ge^[75]考虑到移动设备的计算处理能力有限，提出一种基于混合混沌映射的医学图像加密算法ALCEncryption，对灰度和彩色医学图像实现安全保障，经证明，这是一种能满足传输实时性要求的医学影像加密算法。

       除了移动医学影像应用程序的开发者需要进行安全策略的规划，用户行为也是保护医学影像数据安全过程中的重要一环。例如，用户退出应用程序后，应及时关闭移动设备和服务器之间的传输连接，并清除移动设备内的残留数据。

点击查看表格

表5  移动医学影像存在的安全风险
Tab. 5  Security risks in mobile medical images

1.6 AI应用

       目前，AI技术与移动医学影像之间的联系越来越紧密，AI模型常常作为一种辅助诊断的工具应用于移动医学影像领域中^[76]，通过AI模型自动分析影像数据特征进行疾病检测，达到提高诊断效率的目的^[77]。利用AI模型进行辅助诊断的流程分为模型训练和模型使用两个阶段：模型训练阶段所需资源较多，移动设备难以满足需求，因此需要在具有合理硬件支持的服务器或工作站上进行；而模型使用阶段，则可以根据模型运行时所占资源数量来决定执行位置。因此，移动医学影像中的AI应用可根据模型使用阶段的执行位置，分为服务器端和移动设备端两类。

1.6.1 服务器端的AI模型

       第一类方法将AI作为一种服务部署在服务器端，而移动设备作为服务请求方获取在服务器上的处理结果。将AI部署在服务器的传统方式是在中央服务器上执行所有计算任务，如：Rahman等^[78]使用一种胸部X光图像自动分类模型检测新冠肺炎，将卷积神经网络（convolutional neural network, CNN）结构作为特征提取工具，CLAHE算法、Sobel边缘检测算法作为预处理工具，通过评估该模型的内存消耗判断其适用于移动远程医疗；Gaur等^[79]在PreseficNetB0、InceptionV3和VGG16等轻量级模型上运用了迁移学习，在准确性和效率之间取得了平衡，适合医生使用移动端检测新型冠状病毒肺炎（corona virus disease 2019, COVID-19）时进行调用；Zulkifley等^[80]为实现基于X射线成像的新冠肺炎自动筛查系统，提出了一种具有空间金字塔池模块的残差混洗网络，轻量级的CNN模型和残差混洗单元使其适合移动端应用，但缺点是难以满足实时性要求较高的应用场景。

       边缘计算技术的发展，使从中央服务器转移计算资源到网络边缘具备可行性。Tseng等^[81]设计了一个由超算AI训练服务器和AI推理客户端组成的半监督对抗网络架构，针对移动端算力有限的问题，采用蒸馏技术优化了移动平台的运行性能，提高了医学影像自动分割的精度和速度。虽然引入边缘计算可以有效减少通信延迟，但对网络的稳定性和带宽要求较高。

1.6.2 移动设备端的AI模型

       第二类应用方法将轻量化模型直接部署在移动设备上。为了在资源有限的移动终端上高效运行AI模型，通常采用模型压缩方法，并根据是否改变原有的网络架构分为浅层压缩与深层压缩两类。

       浅层压缩指在不改变网络结构的前提下改进模型，其中，知识蒸馏是最主要的浅层压缩方法之一。Lee等^[82]将知识蒸馏技术与对抗性模型训练相结合，生成一种具有对抗鲁棒性的压缩CNN，可部署在资源受限的系统上使用；Vaze等^[83]通过一种新型知识蒸馏技术减少CNN的网络参数，采用深度可分离卷积对模型进行轻量化处理，在保持运行速度的同时提高轻量级模型的准确性，有效提高移动端的运行效率。此外，还可以在神经网络中应用剪枝算法实现浅层压缩，例如：Song等^[84]通过剪枝保留神经网络架构中最重要的连接，使用三阶管道压缩网络降低了模型存储需求，这有助于在资源有限的移动设备上使用AI模型；Gan等^[85]通过模型剪枝方法简化模型参数，减少模型大小与计算时间，利用MobilenetV2改进了传统图像分割模型DeepLabV3+，并将其应用于面向移动设备的颈部动脉图像分割。

       与浅层压缩相对应的深层压缩方法则会对网络结构进行改动，最常见的深层压缩方法是设计轻量级网络结构。例如，Paluru等^[86]提出的基于变形深度嵌入的轻量级CNN具有参数少、计算复杂性低、模型小的特点，易于部署在移动端，可用于快速评估COVID-19胸部CT图像的异常情况；Karar等^[87]提出了一种基于轻量级CNN的新型深度学习分类器，可识别超声图像的新冠肺炎异常以及检测其他肺部疾病，该分类器在资源受限的移动设备上表现出了较好的性能；Tobias等^[88]把CNN模型MobileNetV2作为辅助诊断工具，将MobileNetV2生成的静态图嵌入移动应用程序用于肺部疾病诊断，有效提高了诊断效率；为了实现精度更高、复杂度更低的阿尔茨海默病自动分类，Liu等^[89]引入迁移学习，提出了一种深度可分离CNN模型，相比传统神经网络，该模型的计算成本和功耗均显著降低；Choudhary等^[90]提出了一种基于CNN的迁移学习方法，加入结构化滤波剪枝算法减少模型运行时的资源需求，该模型可部署在移动设备上进行乳腺癌自动化诊断；Lin等^[91]基于轻量级神经网络MobileNet实现快速胸部X射线检测，通过调整反向传播学习过程的退火混沌参数，使模型更适用于计算能力有限的移动设备。模型量化也是另一种有效的深层压缩方式，Xu等^[92]提出了一种压缩的细胞神经网络框架以减少边缘分割的计算量，并采用早期退出和参数量化技术，在保持性能的同时减少了计算需求，适合在移动平台使用；Garifulla等^[93]采用量化技术简化CNN模型，实现了基于移动设备的乳腺癌良恶性分类，实验结果表明，模型量化技术可以优化模型在移动设备上的运行性能，提高分类准确性。

1.7 研究现状总结

       通过分析现有的移动医学影像研究现状后发现，大多数研究团队致力于提出一种全面的解决方案，融合不同技术解决传输、存储、显示、处理等多类问题。比如，Liu等^[22]实现的医学影像可视化系统不仅通过按需传输提高了传输效率，而且设置缓存组件提高了存储性能，并支持包括预置检索、快速检索和高级检索在内的三种检索方式；Qiao等^[23]提出的医学影像共享系统除了通过不平衡比例瓦片金字塔模型解决传输瓶颈问题，还设计了格式转换引擎用于转换、缓存DICOM图像，提高系统的实时响应效率；Hu等^[39]将剪切波变换算法去噪处理后的医学影像输入到自动标注模块，通过窄带活动轮廓算法标注病灶区域，既改善了医学影像的显示质量，又提升了标注速度和准确性。

       值得注意的是，不同类型问题的解决方案之间会相互影响。例如：检索效率与存储策略之间有着密不可分的关系，良好的数据存储方案可以促进提升检索速度。Liu等^[49]在移动远程医疗系统中以瓦片的形式存储医学影像，并在此基础上通过哈希索引结构进行相似匹配查询，以瓦片存储策略作为突破口达到提升检索速度的目的。除此之外，高效的存储方案也会在一定程度上牺牲数据的安全性保障，引入云平台解决存储问题也是如此，在带给用户便捷的同时，它的安全问题也成为业界关注的焦点^[33]。

2 未来研究方向

       通过以上对研究现状的梳理可以看出，虽然针对移动医学影像主要问题的研究工作已取得一些进展，但是随着用户需求的不断深入和移动网络环境的不断变化，该领域还存在诸多需要解决的问题。

       在移动医学影像的传输方面，主要问题是在网络带宽受限、传输质量不稳定的移动环境下，如何结合临床业务快速、准确地将医学影像数据传输到移动设备上。现有的基于区域的图像压缩方法往往依赖于已标注的医学影像，这显然增加了图像标注量。因此，下一步的研究应挖掘影像数据的其他特征以提高压缩效率，比如相邻、相关图像之间的数据相似性。

       在存储方面，移动设备与传统的医学影像桌面工作站存在较大差距，需要解决存储容量、访存时延和存储成本的问题。下一步的研究趋势是采用云计算/边缘计算相关技术架构：云端提供海量存储空间，靠近用户的边缘节点设计高性能缓存组件存储热点数据并传输给移动端。

       在显示方面，移动智能设备手机的显示屏和专业医学影像显示设备之间仍然存在差异，因此从分辨率、亮度及符合医学图像显示器特征的校准曲线等关键指标出发，进一步提高显示质量，将是下一步的研究方向。借助服务器远程对图像进行预处理，再将图像传输到移动端进行显示，可能是一种有效的解决方案。

       在处理性能方面，移动设备在提供医学影像基本功能的基础上，还需要支持高级图像处理功能，例如高效的图像检索、高精度的图像三维重建等。因此，如何提供和桌面工作站接近的影像数据处理能力将是未来的研究重点。

       在数据安全方面，由于目前移动设备的资源受限，无法执行复杂的加密任务，如何提高安全机制在移动设备上的运行效率需要重点关注。通过区块链技术确保影像数据的安全性和隐私性，也是一个值得关注的研究方向。

       在移动医学影像的AI应用方面，重点在准确度、运行效率和能耗等方面针对移动AI模型推理进行优化。硬件方面的研究重点是开发特定的神经网络加速器，软件方面的研究重点是构建基于中央处理器的维度较小、兼容性较好的深度学习推理模型。

       综上所述，目前的研究团队在解决移动医学影像中六类问题时仍有较大的进步空间，而且现有的研究方案都无法全面地解决移动医学影像中各类研究难点，由于不同类型问题对应的解决措施之间相互影响、制约，移动医学影像的下一步研究工作还应侧重寻求各方面的平衡，提出一种传输快、存储优、显示清晰、操作丰富、诊断效率高、安全可靠，整体性能良好的解决方案。

3 总结

       移动互联网的快速发展推动了医学影像在移动端的应用，有效地拓展了医学影像系统的使用场景，提高了系统的易用性和覆盖范围。虽然目前移动医学影像在传输、存储、显示、处理、数据安全及AI应用等方面还存在着一些问题亟待解决，但移动医学影像符合远程医疗和移动医疗的发展趋势，可以有效提升医生的工作效率，方便患者的使用，因此具有广阔的发展前景。