MICCAI 2020 深睿醫療8篇高新科研成果呈現醫療影像領域新突破

（原標題：MICCAI 2020 深睿醫療8篇高新科研成果呈現醫療影像領域新突破）

近日，第23屆醫學圖像計算和計算機輔助幹預國際會議（The 23th Medical Image Computing Computer Assisted Intervention，MICCAI 2020）論文錄用結果公布，深睿醫療再創新紀錄，8篇科研成果被收錄，這些全球領先的科研成果，對於近一步提升Dr.Wise系列產品性能具有積極意義。

不久前，深睿醫療8篇科研論文被國際學術會議IEEE CVPR、ISBI收錄，其中四篇被選為oral，彰顯出深睿研究院在計算機視覺領域尤其是醫療影像方向的強大科研實力。這次又有8篇科研成果被MICCAI 2020收錄，這些科研成果在以下領域實現了創新性突破：3D神經網絡預訓練、醫學影像血管自動提取、乳腺X射線的良惡性分類、腦中線相關的病理特徵、自動化精準分割、手術器械分割等，全面體現了深睿醫療在AI算法領域持續創新能力，多維度賦能醫療AI產品研發。

雖然處於全球疫情防控的特殊時期，作為跨醫學影像計算(MIC)和計算機輔助介入 (CAI) 兩個領域的綜合性學術會議MICCAI 2020的投稿熱度並沒有降低，與2019年投稿量持平，累計收到1800餘篇投稿。今年共收錄文章543篇，錄取率為30%。MICCAI收錄的前沿科研成果代表了醫學影像分析領域的前沿熱點風向標，引領該領域的未來發展方向。

鑽堅研微 磨礪以須

今年被收錄的一篇題目為「Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices」的論文，是繼被MICCAI 2019收錄的一篇科研成果基礎上，又進一步在病灶檢測算法方面取得的新突破。

2020年，新冠肺炎疫情在我國引發了一場重大公共衛生事件，深睿醫療的Dr.Wise肺部疾病智能解決方案（新冠肺炎增強版）在疫情至暗時刻以科技的力量賦能醫生。這款產品的前身Dr.Wise全肺AI醫學輔助診斷系統是一款基於胸部CT成像的全徵象多病種的AI輔助解決方案，MICCAI2019收錄的科研成果，正是這款全肺產品的核心算法之一。當有不可預測的危機到來之時，這些儲備的科技力量，發揮了不容忽視的作用。

在強大的全肺產品基礎上針對新冠肺炎徵象進行強化後，這款產品就迅速披掛上陣，以穩定、精準的表現成為醫生手中戰疫利器。在工信部科技司指導下的「肺炎AI影像輔助診斷產品評測」中更是表現優異，獲得榮譽證書。人工智慧在這次疫情中發揮了重要作用，而這些產品的底層技術支撐正是這些高精尖的算法。

在今年的工作中，科研團隊提出一種通用的使用大規模有標註的2D自然圖像數據集進行有監督的3D神經網絡預訓練的方法，同時基於深度可分離卷積對3D卷積操作進行加速。去年的工作通過一種多視角目標檢測網絡來融合多種窗寬窗位下的圖像信息，在NIH DeepLesion數據集上將4個假陽性下的識別準確率從84.37%提高到91.30%，今年採用新方法後識別精度進一步提升到了92.45% ，達到目前最好的效果。算法上任何細微的提升，對改善產品性能有很大的促進。鑽堅研微，正是這種精益求精的科研態度，讓醫療人工智慧更加值得「信任」！

圖一：處理關鍵幀上病灶檢測的MP3D-FPN網絡的網絡結構圖。MP3D主幹網絡使用大規模有標註的2D數據集預訓練得到

智能提取 賦能臨床

心腦血管疾病是一種嚴重威脅人們健康的常見疾病，利用血管造影影像（CTA）進行血管重建和分析對於及時發現風險具有十分重要的意義，其中血管中心線的提取對輔助診斷、治療和手術規劃尤為重要。然而對大多數血管造影影像進行重建時，人工中心線的提取最快也要數小時才能完成。因此研發自動或半自動的中心線提取方法顯得異常關鍵。

MICCAI 2020收錄的關於深睿醫療血管CTA的科研成果已運用在Dr.Wise頭頸CTA AI醫學輔助診斷系統中，利用人工智慧技術對血管CTA自動重建、判讀，成為醫療AI輔助診斷產品體系中落地速度最快的產品之一。

今年MICCAI收錄的這篇題目為 「Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction」的文章，主要探討由於血管尺度多樣性、拓撲結構變化大等特點，基於卷積神經網絡（CNN）難以直接學習出血管的全局結構信息，導致血管分割不全、中心線提取斷裂等問題。論文中揭示了一種新的研究成果，將血管的局部細節特徵表達和全局結構特徵表達聯合起來，共同指導血管中心線的自動提取。

首先，利用3D CNN網絡學習血管局部細節特徵，用於分割出血管的輪廓圖以及回歸出血管熱力圖，用來表達血管中心線走勢。然後將血管分割的結果抽象成血管樹，並學習血管樹的全局結構信息，得到不同血管分支的類別信息。最後利用血管熱力圖和血管分類信息共同引導修復斷裂處的中心線。進而優化產品臨床應用表現，更好的為產品提供技術支撐。

圖二：基於深度學習技術的血管局部細節特徵和全局結構特徵的混合表達，共同指導血管中心線的自動提取，保證血管的連續性和完整性

以追求極致的科研態度打磨產品，不斷將科研成果應用在臨床實踐中，促進人工智慧前沿科技在醫療領域的快速落地，已成為智慧醫療發展的必然要求。

在另外六篇被收錄的科研論文中，從臨床實際出發，以解決臨床問題為目標，分別在不同的研究方向上取得新的突破，包括：在乳腺X射線的良惡性分類中，構建雙側殘差生成對抗模型（BR-GAN），確定病灶區域，從而提高分類效果；在腦中線相關的病理特徵診斷中，首次提出連續性約束損失，對不符合腦中線先驗分布的預測點進行懲罰，取得了最優異的評測性能，提升腦卒中類AI產品腦中線提取能力；在骨齡評估任務中，設計一種適用於TW3等計分法的兩階段的深度學習訓練框架，分治的解決標註噪聲和影像歧義性問題，有效提高骨齡產品的評估準確度。

在結直腸癌診斷中，通過全新的網絡模型，提升了對不同尺寸和形狀息肉的分割準確性。在CT重建過程中層厚是一個重要的參數，利用一種多分支漸進式神經網絡，尤其在薄層圖像獲取上，有效提升了病灶、細微結構的重構效果；以及在手術器械分割中，通過融合多種線索生成錨點作為手術器械和背景組織的偽標註，在不使用任何人工標註的情況下取得了0.71 IoU 和0.81 Dice的效果。該些成果對於推動解決臨床所面臨的痛難點問題，提升醫療診斷效率具有重要意義，真正實現了AI賦能臨床。

人工智慧是一門以數據為基礎的科學，在醫療領域的複雜應用環境下，人工智慧算法研究要以場景為核心，不斷進行深度優化，此次被收錄科研成果正是深睿研究院基於臨床實踐，滿足臨床應用的創新表現。深睿研究院是深睿醫療探索AI醫療算法領域核心技術團隊，團隊成員大多來自北京大學、中國科學院、史丹福大學等國際知名院校的博士、碩士，目前承擔了科技部、國自然及全國各大城市多個重大專項科研項目，與國家相關部門，各大高校科研團隊及國內頂級醫療機構進行深入合作，在各類學術期刊發表論文累計影響因子已達到140。未來，深睿醫療將立足醫療領域，通過不斷探索不同場景下AI算法，為更多疾病診斷進行智慧賦能。

文章目錄：

Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices.

Shu Zhang, Jincheng Xu, Yu-Chun Chen, Jiechao Ma, Zihao Li, Yizhou Wang, Yizhou Yu.

Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction

Jiafa He, Chengwei Pan, Can Yang, Ming Zhang, Yang Wang, Xiaowei Zhou, Yizhou Yu

BR-GAN: Bilateral Residual Generating Adversarial Network for Mammogram Classification

Churan Wang, Fandong Zhang, Yizhou Yu ，Yizhou Wang

Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation

Shen Wang, Kongming Liang, Yiming Li, Yizhou Yu, Yizhou Wang

Towards Robust Bone Age Assessment: Rethinking Label Noise and Ambiguity

Ping Gong, Zihao Yin, Yizhou Wang, Yizhou Yu

Adaptive Context Selection for Polyp Segmentation

Ruifei Zhang, Guanbin Li, Zhen Li, Shuguang Cui, Dahong Qian, Yizhou Yu

Multi-stream Progressive Up-sampling Network for Dense CT Image Reconstruction

Qiuyue Liu, Zhen Zhou, Feng Liu, Xiangming Fang, Yizhou Yu, Yizhou Wang

Unsupervised Surgical Instrument Segmentation via Anchor Generation and Semantic Diffusion

Daochang Liu, Yuhui Wei, Tingting Jiang, Yizhou Wang, Rulin Miao, Fei Shan, Ziyu Li

本文來源：大眾新聞 責任編輯：陳體強_NB6485