医学影像 AI 算法工程师考试试卷及答案

医学影像AI算法工程师考试试卷及答案一、填空题（10题，1分/题）1.医学影像中最常用的二维模态包括CT、MRI和______。2.医学影像AI中，像素级分类任务称为______。3.DICOM格式文件的后缀是______。4.图像分类常用预训练backbone有ResNet、VGG和______。5.分割任务中衡量像素一致性的指标是______（如Dice、IoU）。6.医学影像去噪常用方法有高斯滤波和______。7.医学影像配准经典算法有互信息法和______。8.处理序列数据的深度学习网络是______（如LSTM）。9.三维医学影像任务举例：______。10.ROC曲线下面积的缩写是______。二、单项选择题（10题，2分/题）1.以下不属于医学影像模态的是？A.CTB.MRIC.EEGD.PET2.U-Net是哪种任务的经典网络？A.分类B.分割C.检测D.配准3.DICOM文件不包含的信息是？A.患者IDB.基因序列C.检查日期D.像素数据4.IoU的计算公式是？A.交集/并集B.并集/交集C.真阳/（真阳+假阳）D.真阳/（真阳+假阴）5.属于Transformer在医学影像应用的是？A.ViTB.ResNetC.VGGD.U-Net6.窗宽窗位调整的主要作用是？A.去噪B.增强组织对比度C.配准D.分割7.检测医学影像病变（如结节）的任务是？A.分类B.分割C.目标检测D.配准8.评估二分类模型的指标是？A.AUCB.DiceC.IoUD.MAE9.3DSlicer是医学影像的？A.算法框架B.可视化工具C.数据库D.预训练模型10.属于传统医学影像处理的是？A.CNNB.U-NetC.阈值分割D.ViT三、多项选择题（10题，2分/题）1.医学影像AI常见任务包括？A.分类B.分割C.检测D.配准2.属于深度学习网络的是？A.ResNetB.U-NetC.ViTD.阈值分割3.DICOM文件包含的信息有？A.患者信息B.元数据C.像素数据D.检查设备4.分割任务常用指标有？A.DiceB.IoUC.敏感度D.特异度5.医学影像常用模态有？A.CTB.MRIC.X线D.超声6.医学影像预处理步骤包括？A.去噪B.归一化C.窗宽窗位D.配准7.属于Transformer应用的是？A.ViTB.SwinTransformerC.BERTD.ResNet8.医学影像数据增强方法有？A.随机翻转B.随机旋转C.噪声注入D.弹性形变9.医学影像配准类型包括？A.刚性配准B.非刚性配准C.单模态D.多模态10.分类模型评估指标有？A.准确率B.召回率C.精确率D.AUC四、判断题（10题，2分/题）1.U-Net仅用于二维医学影像分割。（）2.DICOM是医学影像标准格式。（）3.医学影像AI预训练模型只能用ImageNet数据。（）4.分割任务Dice系数越接近1性能越好。（）5.配准是对齐不同模态影像的过程。（）6.ViT是基于CNN的网络。（）7.阈值分割属于深度学习方法。（）8.CT比MRI更适合软组织成像。（）9.召回率越高，漏诊率越低。（）10.3DSlicer可用于医学影像标注。（）五、简答题（4题，5分/题）1.简述医学影像AI数据增强的常用方法及作用。2.简述U-Net的结构特点及医学影像应用。3.简述医学影像配准的基本概念及常用算法。4.简述AUC指标的含义及计算方法。六、讨论题（2题，5分/题）1.讨论医学影像AI数据标注的难点及解决思路。2.讨论医学影像AI算法临床落地的挑战及应对策略。---答案部分一、填空题答案1.X线（或超声）2.图像分割3..dcm4.Inception（或AlexNet）5.Dice系数（或IoU）6.中值滤波7.刚性配准（或非刚性配准）8.LSTM（或RNN）9.3D器官分割10.AUC二、单项选择题答案1.C2.B3.B4.A5.A6.B7.C8.A9.B10.C三、多项选择题答案1.ABCD2.ABC3.ABCD4.ABCD5.ABCD6.ABCD7.AB8.ABCD9.ABCD10.ABCD四、判断题答案1.×2.√3.×4.√5.√6.×7.×8.×9.√10.√五、简答题答案1.数据增强方法及作用：常用方法：随机翻转（水平/垂直）、小角度旋转、随机缩放、噪声注入（高斯/椒盐）、窗宽窗位调整、弹性形变。作用：解决医学影像标注贵、样本少的问题，避免模型过拟合，提升泛化能力，增强对不同采集条件的适应性。2.U-Net结构及应用：结构：编码（卷积+池化，提取特征）+解码（转置卷积+跳跃连接，恢复尺寸并融合多尺度特征）。特点：跳跃连接保留空间信息，全卷积适配像素级任务。应用：医学影像分割（肺结节、脑肿瘤、眼底血管分割），精准捕捉小病变和复杂结构。3.配准概念及算法：概念：对齐不同时间/模态/患者影像，使解剖结构空间一致。算法：①特征-based（提取关键点/轮廓匹配，如SIFT）；②灰度-based（用互信息/互相关度量，梯度下降优化变换参数）。4.AUC含义及计算：含义：ROC曲线下面积，衡量二分类模型区分正/负样本的能力（AUC=1完美区分，0.5随机猜测）。计算：ROC曲线以FPR为横轴、TPR为纵轴，用梯形法则近似积分（相邻阈值点FPR差×平均TPR求和）。六、讨论题答案1.数据标注难点及解决思路：难点：标注成本高（需医生）、一致性差（不同医生差异）、小样本（罕见病）、隐私问题。思路：①半监督学习（少量标注+大量未标注）；②主动学习（模型选高价值样本标注）；③众包+质量控制；④联邦学习（隐私保护下多中心训练）；⑤GAN生成synthetic数据。2.临床落地挑战及应对：挑战：数据异质