了解華為云最新動態(tài)
近日，第23屆醫(yī)學(xué)圖像計算和計算機(jī)輔助介入國際會議（The 23th Medical Image Computing Computer Assisted Intervention，MICCAI 2020）論文錄用結(jié)果公布，華為云醫(yī)療AI團(tuán)隊的2篇科研成果被收錄，在醫(yī)學(xué)圖像邊緣分割領(lǐng)域?qū)崿F(xiàn)了人工智能技術(shù)的新突破。
MICCAI是國際公認(rèn)的跨醫(yī)學(xué)影像計算(MIC)和計算機(jī)輔助介入 (CAI) 兩個領(lǐng)域的頂級綜合性學(xué)術(shù)會議，具有非常強(qiáng)的國際影響力和高學(xué)術(shù)權(quán)威性，是醫(yī)學(xué)影像分析領(lǐng)域的前沿?zé)狳c風(fēng)向標(biāo)，引領(lǐng)該領(lǐng)域的未來發(fā)展方向。
語義/實例分割問題是近年來醫(yī)學(xué)圖像計算領(lǐng)域的一個熱門研究課題，70％以上的國際競賽都是圍繞著它展開，其將心臟、肝臟、前列腺等器官的原始圖像數(shù)據(jù)轉(zhuǎn)化為高價值的空間結(jié)構(gòu)化信息，有助于科學(xué)發(fā)現(xiàn)。在臨床上，分割方法使能臨床輔助決策、術(shù)前規(guī)劃、腫瘤動態(tài)監(jiān)控等任務(wù)，具有極高的臨床使用價值。
基于醫(yī)生手工勾勒或者傳統(tǒng)軟件勾勒的方法耗時耗力或者方法泛化能力差，基于深度學(xué)習(xí)的方法在醫(yī)療圖像分割問題上展現(xiàn)優(yōu)異的分割性能，但是由于醫(yī)療設(shè)備成像原因（成像偽影），器官病灶本身構(gòu)造原因（器官病灶內(nèi)部體液、肌肉間隔，相鄰器官病灶邊緣界定不清晰）等諸多原因，導(dǎo)致器官病灶等待分割物體邊緣不清晰，已有深度學(xué)習(xí)的方法無法較好解決以上問題。
針對上述問題，華為云和華中科技大學(xué)提出了2種解決方案，分別利用圖像的不連續(xù)性信息及方向場信息，對現(xiàn)有網(wǎng)絡(luò)進(jìn)行改造，實現(xiàn)邊界精準(zhǔn)分割，可極大提高病灶區(qū)域或器官圖像的分割精度，助力醫(yī)生對疾病的診斷和治療。
論文一：業(yè)界首次闡述區(qū)域內(nèi)（如器官病灶等）不連續(xù)性對區(qū)域邊界分割問題的影響，并提出解決方案
已有分割方法在區(qū)域不連續(xù)位置通常分割效果較差，經(jīng)常錯誤地將區(qū)域內(nèi)的不連續(xù)位置誤判為區(qū)域邊界，導(dǎo)致預(yù)測的區(qū)域邊界不準(zhǔn)確，如圖1b所示。針對以上問題，華為云EI醫(yī)學(xué)影像團(tuán)隊聯(lián)合華中科技大學(xué)首次闡述區(qū)域內(nèi)不連續(xù)問題導(dǎo)致邊緣分割不準(zhǔn)確這一概念，并提出一種簡單而有效的解決方法：提升不連續(xù)位置的注意力，具體為應(yīng)用一個邊緣檢測器（Scharr Filter等，效果圖如圖1c）來識別不連續(xù)的位置，并將此“不連續(xù)”監(jiān)督信號添加到loss目標(biāo)函數(shù)中，配合常規(guī)Dice loss組合成多任務(wù)目標(biāo)學(xué)習(xí)函數(shù)，以此進(jìn)行更精準(zhǔn)的邊緣識別，算法框架如圖2所示，識別效果圖如圖1d所示。
本文方法在三種醫(yī)學(xué)圖像分割任務(wù)（MRI心臟分割數(shù)據(jù)集-Cardiac500、MRI前列腺分割數(shù)據(jù)集-T2-SPIR和MRI肝臟分割數(shù)據(jù)集Medical Segmentation Decathlon）上進(jìn)行了全方位驗證，相比于已有基線方法，DICE分別提升0.68個點，1.09個點，0.8個點（如圖3a和c），并在心臟分割遷移任務(wù)上Cardiac500->ACDC提升了5.1個點（如圖3b）。
為了進(jìn)一步說明本文方法解決區(qū)域內(nèi)不連續(xù)性問題的有效性，華為云分析了Cardiac500數(shù)據(jù)集中2645個測試樣本的DICE分布，本文方法完全消除了DICE小于0.8的樣本（基線方法有13個樣本低于0.8），如圖4所示。
論文二：利用方向場進(jìn)行語義像素級關(guān)聯(lián)，維持解剖學(xué)結(jié)構(gòu)，實現(xiàn)邊界精準(zhǔn)分割
（1）在MRI成像過程中，磁場不均勻或臟器運動等原因產(chǎn)生的MRI偽影常常使得目標(biāo)邊界模糊；（2）當(dāng)前基于深度學(xué)習(xí)的分割方法由于缺乏有效的語義像素級關(guān)聯(lián)，導(dǎo)致分割出來的目標(biāo)物體無法維系解剖學(xué)結(jié)構(gòu)，如圖7所示；基于以上問題，華為云醫(yī)療AI團(tuán)隊聯(lián)合華中科技大學(xué)提出了一種通過學(xué)習(xí)方向特征圖，強(qiáng)化像素間語義級關(guān)聯(lián)，該方法通過增加類間距，縮小類內(nèi)距，維持物體解剖學(xué)結(jié)構(gòu)，實現(xiàn)高精度的邊緣分割。具體為1）通過UNET學(xué)習(xí)初始分割效果圖；2）基于UNET主干通過DF模塊學(xué)習(xí)每個像素的方向場的強(qiáng)度信息和方向信息；3）利用學(xué)習(xí)得到的方向場信息對初始分割效果進(jìn)行迭代修正，使用臟器中間分割結(jié)果指導(dǎo)邊緣分割；4）聯(lián)合初始分割效果+方向場學(xué)習(xí)+修訂的分割效果等任務(wù)進(jìn)行多任務(wù)學(xué)習(xí)，如圖5所示。
本文所提的模型簡單、有效，并且可以靈活地添加到任何現(xiàn)有的分割網(wǎng)絡(luò)中，且基本不會增加推理時間開銷。在心臟分割A(yù)CDC（Automatic Cardiac Diagnosis Challenge Dataset）數(shù)據(jù)集，本文方法表現(xiàn)出良好的分割以及泛化性能（分割效果如圖7）；相比已有的方法，本文方法DICE提升1.3個點，并在心臟分割遷移任務(wù)上（Self-collected ->ACDC， ACDC ->Self-collected）分別提升了1.1個點和1.7個點，如圖6所示。
醫(yī)療基礎(chǔ)研究方面，華為云醫(yī)療AI團(tuán)隊投入重兵聚焦解決醫(yī)療領(lǐng)域的重大技術(shù)難題，相關(guān)論文收錄至MICCAI等醫(yī)療頂會頂刊，在業(yè)界多個挑戰(zhàn)賽事上如LUNA-2016、HC-2018、ISLES-2018 等獲得業(yè)界領(lǐng)先水平。同時，華為云為用戶提供端到端的AI使能平臺華為云EI醫(yī)療智能體（eHealth），覆蓋醫(yī)療影像、基因組、制藥等領(lǐng)域，與醫(yī)療行業(yè)領(lǐng)先企業(yè)及醫(yī)院和高校合作，加速AI研究和應(yīng)用落地。