摘要:2020年國際醫學圖像計算和計算機輔助幹預會議(MICCAI 2020),論文接收結果已經公布。華為雲醫療AI團隊和華中科技大學合作的2篇研究成果入選。
同時兩篇研究成果被行業頂會收錄,華為雲醫療AI布局,低調浮出水面。
2020年國際醫學圖像計算和計算機輔助幹預會議(MICCAI 2020),論文接收結果已經公布。其中,華為雲醫療AI團隊和華中科技大學合作的2篇研究成果入選。
MICCAI 2020橫跨醫學影像計算和計算機輔助介入兩個領域,已經有16年發展曆史,是國際公認的行業頂尖學術會議。不僅有國際影響力和學術權威性,還是醫學影像分析領域的前沿熱點風向标,更是驗證相關研究成果含金量的地方。
語義/執行個體分割問題是近年來醫學圖像計算領域的一個熱門研究課題,70%以上的國際競賽都是圍繞着它展開。此次華為雲醫療AI團隊的2篇論文,針對的是醫學圖像計算領域中語義/執行個體分割問題,探讨如何将心髒、肝髒、前列腺等器官的原始圖像資料轉化為高價值的空間結構化資訊。具有很強的臨床使用價值,不僅能夠輔助醫生決策,還能幫助醫生完成術前規劃,惡性良性腫瘤動态監控等任務。
在研究論文中,華為雲醫療AI團隊提出的方法,用于解決由醫療裝置成像、器官病竈本身構造等因素造成的待分割物體邊緣不清晰問題——這是此前深度學習算法很難發揮效力的場景。
華為雲團隊提出的兩個方法中,每一個都展示出了超越傳統方法的效果。
醫療+AI最新成果
其中一篇論文,名為“Pay More Attention to Discontinuity for Medical Image Segmentation”,研究的是如何分割好醫療影像中不連續的區域(比如器官病竈等)。
論文中表示,已有的分割方法在處理這種情況時,經常錯誤地将區域内的不連續位置誤判為區域邊界,導緻預測的區域邊界不準确。
比如下圖中的情況(左側是标簽圖,右側是已有方法分割圖像的情況,黃圈是缺失部分):
在這篇論文中,華為雲醫療AI團隊聯合華中科技大學,論述了區域内不連續問題導緻邊緣分割不準确的概念,并提出了解決方法:提升不連續位置的注意力。
具體來說,是應用邊緣檢測器來識别不連續的位置,并将此“不連續”監督信号添加到loss目标函數中,配合正常Dice loss組合成多任務目标學習函數,以此進行更精準的邊緣識别,算法架構如下圖所示:
他們将這一算法在三種醫學圖像分割任務上進行了全方位驗證,分别是:MRI心髒分割資料集-Cardiac500、MRI前列腺分割資料集T2-SPIR和MRI肝髒分割資料集Medical Segmentation Decathlon。
結果顯示,相比于已有基線方法,衡量分割結果的核心名額都有所提升。其中。在心髒分割遷移任務上Cardiac500遷移到ACDC的結果提升了5.1個百分點。
為了進一步驗證他們提出的方法有效性,他們還進一步分析了Cardiac500資料集中2645個測試樣本的分割結果分布,結果顯示完全消除了核心名額小于0.8的樣本,相比之下,基線方法有13個樣本低于0.8。
另一篇論文,題目為“Learning Directional Feature Maps for CardiacMRI Segmentation”,同樣是華為雲醫療AI團隊聯合華中科技大學的研究成果。
通常情況下,磁場不均勻和在核磁共振成像過程中髒器運動等因素會産生僞影,使得目标邊界模糊。但目前基于深度學習的分割方法由于缺乏有效的語義像素級關聯,導緻分割出來的目标物體無法維系解剖學結構,如下圖所示:
這就是華為雲醫療AI團隊這篇論文要解決的問題,他們提出了一種通過學習方向特征圖,強化像素間語義級關聯,通過增加類間距,縮小類内距,來維持物體解剖學結構,實作高精度的邊緣分割。具體過程如下圖所示:
首先,用U-Net來學習初始分割效果圖。之後,基于U-Net主幹,通過DF子產品學習每個像素方向場的強度資訊和方向資訊。
接下來,利用學習得到的方向場資訊對初始分割效果進行疊代修正,使用髒器中間分割結果指導邊緣分割。最後,聯合初始分割效果+方向場學習+修訂的分割效果等任務進行多任務學習。
論文中展示了這一方法的分割以及泛化性能。相比已有的方法,其在心髒分割遷移任務上(Self-collected ->ACDC, ACDC ->Self-collected)分别提升了1.1個點和1.7個點。
基于行業熱點研究課題,兩篇論文都被業内頂會收錄,華為雲醫療AI的實力可見一斑。
基于上述兩種方法,華為雲醫療AI團隊聯合華中科技大學聯合開發了一套基于深度學習的心髒AI服務,可實作心髒各結構的自動分割、并進行精準量化分析,實作單病例量化結果的秒級輸出,AI+醫生複核總體效率是純人工量化評估速度的數十倍。目前,該服務已成功在華為雲上線。
但這隻是其近年來研究成果的一部分,華為雲在醫療AI領域,已經深耕許久,尤其是在醫學影像領域。
華為雲醫療AI布局浮出水面
從研究成果來看,事實上,在去年的MICCAI以及MICCAI-MIML上,華為雲醫療AI團隊已經有3篇論文入圍,覆寫宮頸癌篩查、腦中風分割以及平片診斷報告自動生成等應用場景。
在近年來多個醫學影像相關的AI挑戰賽事上,華為雲的技術實力也都達到了世界領先水準。
比如在Grand-Challenge胎兒超聲影像頭圍測量比賽(HC18)上,華為雲超過了香港中文大學、中國科學院、加拿大女王大學等100多個大學和科研機構,以1.89mm的平均絕對誤差取得第一。
前段時間,我們報道了IEEE Fellow、AI大牛田奇加入擔任華為雲人工智能領域首席科學家。
田奇作為計算機視覺領域大牛,主導AI視覺方向的前沿研究,他加入之後,想必會提升華為雲在計算機視覺領域的基礎研究實力。可以預見,在田奇加入後,華為雲醫療AI,尤其是醫學影像方面,未來還會有更大的進展。
但不僅僅是研究,華為雲還在積極探索怎樣将AI技術快速落地。
過去的這幾年,他們與醫療行業中的企業及醫院和高校合作,為使用者提供端到端的AI使能平台,推動AI應用到行業場景中。
2019年6月,華為雲與金域醫學合作,在AI輔助病理診斷應用開發方面取得突破性進展。他們訓練出的宮頸癌篩查模型,在排陰率高于60%的基礎上,陰性片判讀的正确率高于99%,同時,陽性病變的檢出率超過99.9%。
一舉成為國際上已公布的AI輔助宮頸癌篩查的最高水準。而且在診斷速度上也大大提升:每例病理判讀僅需36秒,是人工判讀的10倍。
疫情期間,華為雲與藍網科技等合作夥伴,打造出了基于人工智能的醫療影像輔助診斷系統,将診斷效率從過去的10-15分鐘變為10-15秒,極大地緩解了醫療壓力。
在多年技術的積累下,華為雲已經面向行業推出了企業級的醫療影像AI平台,支撐全流程可追溯的端到端AI模組化,助力醫療影像AI更加系統、快速、安全地走向市場。
此外,在基因組和制藥領域,華為雲也有了不少布局和積累。
今年新冠疫情爆發後不久,華為雲就與合作夥伴一起組成了聯合攻關團隊,基于華為雲醫療智能體平台(EIHealth),針對新冠病毒的所有21個靶标蛋白進行計算機輔助藥物篩選。在短短數小時内完成了上千萬次的模拟計算,并及時公開了研究結果,為全球的抗病毒研發工作提供了支援。
而在之前,如此大規模的計算往往需要幾個月才能完成。
在全球抗疫形勢依舊嚴峻的情況下,如此助力展現出了AI普惠的一面,這也正是華為雲對其醫療AI的期待:解決醫療領域的基礎難題,通過AI技術轉換,為人類疾病預防、診斷、治療貢獻力量。
而在算力、算法以及應用平台等各個方面都成熟的情況下,華為雲醫療AI推進的速度也在進一步加快。
華為雲醫療智能體平台(EIHealth)已經對外開放,如果你有興趣,可以通路頁面了解詳情→傳送門。
本文分享自華為雲社群《進擊的華為雲醫療AI:頂會兩篇論文連發,研究和落地加速》,原文作者:肉肉的蟲子 。
點選關注,第一時間了解華為雲新鮮技術~