近日，第23屆醫(yī)學(xué)圖像計(jì)算和計(jì)算機(jī)輔助介入國(guó)際會(huì)議MICCAI 2020論文錄用結(jié)果揭曉，專注醫(yī)療星空人工智能與大數(shù)據(jù)技術(shù)研究的騰訊天衍實(shí)驗(yàn)室，共計(jì)入選14篇論文，較去年入選4篇大幅增加，研究方向涵蓋醫(yī)學(xué)影像中的分類、分割、檢測(cè)、領(lǐng)域自適應(yīng)等應(yīng)用場(chǎng)景，實(shí)現(xiàn)醫(yī)療影像星空人工智能技術(shù)的全面突破。
近年來AI技術(shù)與醫(yī)療行業(yè)走向深度融合，其中在醫(yī)學(xué)影像中的應(yīng)用最為廣泛。在此次入選MICCAI 2020的論文中，作為騰訊覓影幕后的算法技術(shù)供應(yīng)團(tuán)隊(duì)之一，騰訊天衍實(shí)驗(yàn)室基于醫(yī)學(xué)影像臨床應(yīng)用中的多種場(chǎng)景，對(duì)多種機(jī)器學(xué)習(xí)方法展開了創(chuàng)新性研究，有望加速AI在醫(yī)療健康領(lǐng)域的實(shí)踐進(jìn)程。
騰訊天衍實(shí)驗(yàn)室負(fù)責(zé)人鄭冶楓博士，從事智能醫(yī)學(xué)影像分析多年，其發(fā)明的投影空間學(xué)習(xí)法于2011年獲美國(guó)馬斯•愛迪生專利獎(jiǎng)，相關(guān)的研究成果于2014年結(jié)集出版《醫(yī)學(xué)影像處理的投影空間學(xué)習(xí)法：器官的快速檢測(cè)與分割》。他也是美國(guó)醫(yī)學(xué)和生物工程學(xué)會(huì)的會(huì)士（AIMBE Fellow）和IEEE醫(yī)學(xué)影像雜志副編（TMI IF=7.8）。
破局醫(yī)療圖像數(shù)據(jù)標(biāo)注力量不足
在AI醫(yī)療影像的學(xué)習(xí)和訓(xùn)練中，面對(duì)醫(yī)療圖像數(shù)據(jù)標(biāo)注力量不足、醫(yī)療影像數(shù)據(jù)質(zhì)量參差不齊的行業(yè)困局，如何讓有標(biāo)注數(shù)據(jù)得到盡可能的使用，釋放AI在醫(yī)療圖像領(lǐng)域中的作用，騰訊天衍實(shí)驗(yàn)室通過多種機(jī)器學(xué)習(xí)方法的技術(shù)創(chuàng)新嘗試進(jìn)行突破。
與傳統(tǒng)的監(jiān)督學(xué)習(xí)相比，弱監(jiān)督學(xué)習(xí)使用有限的、含有噪聲的或者標(biāo)注不準(zhǔn)確的數(shù)據(jù)來進(jìn)行模型參數(shù)的訓(xùn)練，是AI醫(yī)學(xué)影像分析工作的常用思路。在今年獲收錄的論文中，天衍實(shí)驗(yàn)室提出了一種嶄新的由宏觀網(wǎng)絡(luò)-微觀網(wǎng)絡(luò)兩部分組成的弱監(jiān)督框架。宏觀網(wǎng)絡(luò)負(fù)責(zé)學(xué)習(xí)弱標(biāo)注圖像（大量）中包含的位置和區(qū)域信息，而微觀網(wǎng)絡(luò)則負(fù)責(zé)學(xué)習(xí)全標(biāo)注圖像（少量）中包含的精細(xì)結(jié)構(gòu)信息。在此框架的基礎(chǔ)上，研究人員使用了基于不確定度的宏觀-微觀數(shù)據(jù)流，分別利用參數(shù)滑動(dòng)平均方法和不確定度指導(dǎo)的KL-loss來實(shí)現(xiàn)兩個(gè)模型的知識(shí)互通。大量的實(shí)驗(yàn)結(jié)果表明，該方法優(yōu)于傳統(tǒng)的單一半監(jiān)督及弱監(jiān)督方法，為更高效利用分割標(biāo)注提供了新的可能。
圖注：宏觀-微觀弱監(jiān)督學(xué)習(xí)方式進(jìn)行眼底OCT組織分割
面對(duì)神經(jīng)網(wǎng)絡(luò)容易受到醫(yī)療圖像采集過程中的噪聲干擾的影響，騰訊天衍實(shí)驗(yàn)室提出了一種抗干擾的神經(jīng)元內(nèi)生學(xué)習(xí)方法，利用正確的標(biāo)簽生成正確的響應(yīng)圖，然后隨機(jī)生成錯(cuò)誤的標(biāo)簽獲得錯(cuò)誤的響應(yīng)圖作為干擾。在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中，使得兩個(gè)響應(yīng)圖差異盡量變大，從而使得網(wǎng)絡(luò)學(xué)習(xí)到干擾信息，提高網(wǎng)絡(luò)的抗干擾能力。以往方法不同的是，本次提出的方法是在特征空間而非圖像層面生成干擾，而在特征空間生成的干擾完全由網(wǎng)絡(luò)內(nèi)部自身決定，因此網(wǎng)絡(luò)能夠獲得更強(qiáng)的抗干擾性和魯棒性。在當(dāng)前高質(zhì)量標(biāo)注數(shù)據(jù)資源缺乏的情況下，這一研究對(duì)提高噪聲數(shù)據(jù)價(jià)值、拓展機(jī)器學(xué)習(xí)的可用數(shù)據(jù)范圍做出了新的探索。
圖注：抗干擾的神經(jīng)元內(nèi)生學(xué)習(xí)幫助醫(yī)療圖像分類
醫(yī)學(xué)影像數(shù)據(jù)標(biāo)注要求高、數(shù)據(jù)收集困難，無標(biāo)簽數(shù)據(jù)的使用價(jià)值及可能性亦成為AI醫(yī)療影像科研探索的新方向。
在基于深度學(xué)習(xí)的青光眼自動(dòng)診斷任務(wù)上，由天衍實(shí)驗(yàn)室提出的“學(xué)習(xí)教學(xué)-知識(shí)遷移（L2T-KT）”訓(xùn)練策略和“測(cè)驗(yàn)池（Quiz Pool）”，利用無診斷的眼底圖像來升級(jí)教師網(wǎng)絡(luò)，對(duì)無標(biāo)簽數(shù)據(jù)在AI醫(yī)療影像中的應(yīng)用做出了嘗試。該方案使教師網(wǎng)絡(luò)可以將無診斷的眼底圖像的信息，編碼到一個(gè)潛在的特征空間中，然后學(xué)生通過向教師學(xué)習(xí)就能夠在無診斷的眼底圖像上進(jìn)行訓(xùn)練。在私有數(shù)據(jù)集以及LAG數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)后的結(jié)果表明，該方法能利用無診斷眼底圖像，顯著提升青光眼診斷任務(wù)的性能。
圖注：基于教師–學(xué)生網(wǎng)絡(luò)框架實(shí)現(xiàn)可利用無診斷數(shù)據(jù)訓(xùn)練的青光眼分類學(xué)習(xí)模型
深度學(xué)習(xí)時(shí)代，預(yù)訓(xùn)練模型在醫(yī)療影像分析中起到了至關(guān)重要的作用。然而自然圖像和醫(yī)學(xué)圖像本身存在的域間差異比較明顯，存在較大提升空間。在研究中顯示，天衍實(shí)驗(yàn)室提出的模型預(yù)訓(xùn)練框架Comparing to Learn (C2L)，使用70萬張完全無人為標(biāo)注的放射學(xué)影像，通過比較圖像特征之間的差異性，取得了超越ImageNet使用有監(jiān)督預(yù)訓(xùn)練的模型表現(xiàn)以及其他當(dāng)下最先進(jìn)的自監(jiān)督模型。
圖注：通過對(duì)比學(xué)習(xí)超越ImageNet預(yù)訓(xùn)練的放射影像表征預(yù)訓(xùn)練方式
挖掘標(biāo)注數(shù)據(jù)價(jià)值
在盡可能將更多的數(shù)據(jù)用作AI學(xué)習(xí)之余，如何實(shí)現(xiàn)在現(xiàn)有的數(shù)據(jù)標(biāo)注以及算法上進(jìn)一步提升AI模型訓(xùn)練效果亦十分重要。
醫(yī)學(xué)影像通常由多位專家或醫(yī)生進(jìn)行標(biāo)注，然后利用多人標(biāo)注取平均或者多數(shù)表決的形式對(duì)最終的金標(biāo)準(zhǔn)標(biāo)簽進(jìn)行判定。當(dāng)標(biāo)注結(jié)果用于AI模型訓(xùn)練時(shí)，通常僅使用最終的金標(biāo)準(zhǔn)標(biāo)簽，金標(biāo)準(zhǔn)標(biāo)簽以外的原始數(shù)據(jù)標(biāo)注的價(jià)值往往被忽略。天衍實(shí)驗(yàn)室在《基于多標(biāo)注一致性的難例感知青光眼分類模型開發(fā)》中提出了一個(gè)新的基于深度學(xué)習(xí)的模型框架，利用原始的多專家標(biāo)注來提升青光眼分類性能，同時(shí)也通過不同專家對(duì)每個(gè)圖像標(biāo)注結(jié)果的一致性或者不一致性，對(duì)該圖像屬于簡(jiǎn)單案例還是困難案例做出預(yù)測(cè)。這一研究也有望提升醫(yī)生在臨床診斷中的分析效率及準(zhǔn)確率，提醒醫(yī)生對(duì)困難案例進(jìn)行特別關(guān)注。
圖注：基于多標(biāo)注一致性的難例感知青光眼分類模型
在醫(yī)學(xué)影像分析的目標(biāo)區(qū)域分割任務(wù)中，通常使用人工標(biāo)注作為模型學(xué)習(xí)模仿的對(duì)象。盡管分割目標(biāo)的大部分區(qū)域相對(duì)容易標(biāo)記，但由于邊界不明確和部分容積（partial volume）效應(yīng)等原因，不同組織交界的邊緣區(qū)域通常難以處理，該區(qū)域的硬標(biāo)簽可能具有相當(dāng)?shù)牟淮_定性，現(xiàn)有的邊緣檢測(cè)算法也不能很準(zhǔn)確地定位和貼合物體的真實(shí)邊緣，這種不確定性又會(huì)進(jìn)一步影響訓(xùn)練后的模型的性能。
在獲收錄的論文《用于醫(yī)學(xué)影像分割的超像素引導(dǎo)標(biāo)簽軟化》中，天衍實(shí)驗(yàn)室提出了基于超像素（superpixel）的標(biāo)簽軟化技術(shù)，根據(jù)超像素中體素到標(biāo)注邊界的距離來軟化該區(qū)域中的標(biāo)簽，使用軟化后的標(biāo)簽與原本的硬標(biāo)簽一起訓(xùn)練分割模型。在《邏輯細(xì)化網(wǎng)絡(luò)：提取精細(xì)邊緣的邊緣檢測(cè)器》一文中，研究人員設(shè)計(jì)了一個(gè)邏輯細(xì)化網(wǎng)絡(luò)和邏輯閥操作函數(shù)（基于分割圖和邊緣圖之間的邏輯關(guān)系設(shè)計(jì)而成）。該方法可將物體檢測(cè)結(jié)果（即分割圖）和第一階段較為粗糙的邊緣檢測(cè)圖，通過邏輯閥操作函數(shù)作用在原始圖像上并輸入到邊緣細(xì)化網(wǎng)絡(luò)中，網(wǎng)絡(luò)通過層層強(qiáng)化物體邊緣位置、細(xì)化邊緣圖，最終輸出準(zhǔn)確精細(xì)的邊緣圖。實(shí)驗(yàn)結(jié)果表明，上述方法能有效地在原有的硬標(biāo)簽和邊緣檢測(cè)算法基礎(chǔ)上，提升AI網(wǎng)絡(luò)對(duì)2D和3D醫(yī)學(xué)影像進(jìn)行邊緣檢測(cè)的性能。
圖注：邏輯細(xì)化網(wǎng)絡(luò)：提取精細(xì)邊緣的邊緣檢測(cè)器
AI醫(yī)療影像技術(shù)加速科研應(yīng)用落地
作為“騰訊覓影”背后的技術(shù)提供者，天衍實(shí)驗(yàn)室的研究與創(chuàng)新不斷拓展AI醫(yī)療技術(shù)發(fā)展的邊界，同時(shí)也正逐步推動(dòng)研究成果落地到臨床研究和應(yīng)用實(shí)踐里。
今年暴發(fā)的新冠肺炎疫情期間，天衍實(shí)驗(yàn)室運(yùn)用AI大數(shù)據(jù)技術(shù)，在科技抗疫的應(yīng)用中表現(xiàn)亮眼。騰訊天衍實(shí)驗(yàn)室主任鄭冶楓表示，騰訊健康小程序抗疫專區(qū)上線的15個(gè)工具中，天衍實(shí)驗(yàn)室參與了5項(xiàng)，包括疫情知識(shí)問答、患者同小區(qū)、發(fā)熱自查、發(fā)熱門診、口罩攻略。在疫情問答中，天衍實(shí)驗(yàn)室利用自研LTD-BERT模型識(shí)別用戶意圖，把推理速度提高了40倍，精準(zhǔn)地給用戶提供疫情信息。
而在新冠肺炎CT輔助診斷產(chǎn)品的研發(fā)上，克服數(shù)據(jù)量不足、標(biāo)注力量不夠等問題，天衍實(shí)驗(yàn)室采用魔方自監(jiān)督學(xué)習(xí)方式訓(xùn)練模型，在小數(shù)據(jù)集上進(jìn)行微調(diào)，就肺炎/非肺炎、病毒性肺炎/非病毒性肺炎做分類。疫情期間騰訊覓影AI輔助診斷新冠肺炎的解決方案落地武漢大學(xué)中南醫(yī)院，基于強(qiáng)大的技術(shù)支撐，在患者CT檢查后最快2秒就能完成AI模式識(shí)別，1分鐘內(nèi)即可為醫(yī)生提供輔助診斷參考，在兩個(gè)月內(nèi)累計(jì)助力湖北多家醫(yī)院為24000多名患者進(jìn)行了肺部CT診斷工作。
騰訊覓影在眼底疾病篩查的應(yīng)用尤為具有廣泛的社會(huì)意義，能夠彌補(bǔ)基層眼科醫(yī)生短缺的短板，讓低成本的眼底檢查在社區(qū)和基層普及開來。目前，該系統(tǒng)已和全國(guó)30多家醫(yī)院聯(lián)合進(jìn)行驗(yàn)證，并在廣東、廣西、山東等省市基層醫(yī)療系統(tǒng)試點(diǎn)，相信受益的人群一定會(huì)越來越多。
星空人工智能技術(shù)網(wǎng) 倡導(dǎo)尊重與保護(hù)知識(shí)產(chǎn)權(quán)。如發(fā)現(xiàn)本站文章存在版權(quán)等問題，煩請(qǐng)30天內(nèi)提供版權(quán)疑問、身份證明、版權(quán)證明、聯(lián)系方式等發(fā)郵件至1851688011@qq.com我們將及時(shí)溝通與處理。！：首頁(yè) > 新聞 » 騰訊天衍實(shí)驗(yàn)室14篇論文獲MICCAI 2020收錄