大會內容覆蓋計算病理學、腦疾病診斷、超聲成像分析、智慧化手術引導等多個領域，不僅關注疾病診斷，更強調疾病智慧化的治療引導，如智慧化放射治療及基於擴增實境的手術引導策略等重點領域，同時還在深度學習、遷移學習、統計圖譜、域自適應等熱點方向開展專題研討。
此次騰訊 AI 共計入選 8 篇論文，含騰訊 AI Lab 4 篇，騰訊優圖實驗室 4 篇，涉及病理癌症影像分類、醫學影像分割、CT病灶檢測等。以下為具體解讀——
1．藉助其他資料集輔助醫學影像分類：評估遷移學習、多工學習、半監督學習
Leveraging Other Datasets for Medical Imaging Classification: Evaluation of Transfer, Multi-task and Semi-supervised Learning
關鍵字：半監督學習，多工學習，遷移學習
本文由騰訊AI Lab獨立完成。基於深度學習的醫學影像分類的一大挑戰是訓練資料少，一個解決方案是利用其他已有資料集輔助訓練，包括利用其他任務有標資料的遷移學習、多工學習，和利用同一任務無標資料的半監督學習。目前每個方法各自證明有效，但是否能結合以及每個方法適用場景還未知。
本文將三種方法整合在統一框架中，從而疊加各方法的貢獻，並能公平對比不同場景下各方法的貢獻。本文將半監督學習前沿的一致性約束演算法（包括VAT和PI-model），和廣泛採用的多工學習演算法（hard parameter sharing），整合在一個網路中（見下圖），採用交替任務的方式進行端到端的訓練，透過初始點的設定融入遷移學習。
在胃鏡圖片良惡性分類問題上的一系列實驗說明：單獨使用時遷移學習提升效能最顯著；遷移學習基礎上，多工學習在專案早期資料量較小時可進一步提高，而半監督學習可在較大資料量上持續提升；三者組合並利用大引數量網路可獲得更好效能。本文可用來指導如何單獨或組合使用遷移學習、多工學習和半監督學習來提升醫學分類模型的準確率。
2．針對H&E染色影像色彩歸一化的增強迴圈生成對抗網路
Enhanced Cycle-Consistent Generative Adversarial
Network for Color Normalization of H&E Stained Images
關鍵字：病理影像處理， 色彩歸一化， 生成對抗網路
本文由騰訊AI Lab獨立完成。由於製片染色流程以及病理掃描器的不同，數字病理影像的色彩存在非常顯著的差異。因此，幾乎所有數字病理相關的分析之前都需要進行色彩歸一化。儘管目前已有多種針對數字病理影像色彩歸一化的方法被提出，大部分方法都依賴於選擇色彩模板。當模板與輸入的病理影像不匹配時，色彩歸一化將出現問題。
本文提出一種針對病理影像特點最佳化的迴圈生成對抗網路。該網路引入了額外的輸入，會引導生成器的產生特定色彩風格的病理影像，從而穩定訓練過程中的迴圈一致性損失函式。
透過Beer-Lambert定律對H&E染色影像的描述，利用矩陣分解求得兩種染料各自的色彩表徵（染色矩陣）。將H&E的色彩表徵與迴圈生成對抗網路相結合，定向的引導生成器產生特定色彩風格的病理影像，使生成對抗的迴圈成立。訓練完成的網路不需要額外色彩模板即可對病理影像進行色彩歸一化。
將本文提出的色彩歸一化網路作為癌症分類任務的前處理，相比與其他色彩歸一化方法，可以更好的提升後續任務的效能。此外，本文提出的網路在訓練完成後，可以不經過引數微調(fine-tune)而直接在其他組織來源的病理影像上使用，具備極強的泛化能力（見下圖）。
上圖：測試資料來源於5個不同的醫學中心，本文提出的方法能將這些病理影像都歸一化到相近的色彩風格。
下圖：將訓練好的模型不經過引數微調(fine-tune)直接在其他病理資料集上測試，同樣能進行準確的色彩歸一化。
本文提出的色彩歸一化方法不依賴於模板，且能夠泛化到其他組織的病理影像上，顯著減小色彩不一致對病理演算法的影響，增強病理演算法的泛化能力，進一步推進病理相關演算法的研究和應用。
3．修正交叉熵與上躍遷懲罰：用於弱監督的病理影像分類器訓練
Rectified Cross-Entropy and Upper Transition Loss for Weakly Supervised Whole Slide Image Classifier
關鍵字：病理診斷，深度學習，弱監督學習
本文由騰訊AI Lab主導，與中山6院合作完成。病理影像的分類對癌症診斷至關重要。基於深度學習的分類器的訓練往往需要大量的標註資料，而病理影像的組織區域標註需要專業知識，較難獲取。如果能不依賴額外標註，僅使用臨床診斷結果來訓練分類器，可以大大加快相關應用的開發。
本文提出了一種僅使用臨床診斷結果作為弱監督訊號來訓練分類器的方法，對從病理影像中拆分出的瓦塊進行自動分類。針對病理影像的特點，本文首次提出了修正交叉熵與上躍遷懲罰這兩種損失函式。訓練過程中，樣本被逐漸分離成與診斷結果相關、無關、以及潛在相關三組，修正交叉熵實現了對三組資料的區分對待從而在有效獲取訓練訊號的同時降低了無關資料對訓練的干擾。對於部分正常組織會被誤分類為病變組織的情況，上躍遷懲罰函式提供了額外的抑制訊號，大大降低了這種情況的發生機率。
基於該方法訓練出來的分類器，在測試樣本上對正常組織、腺瘤、腺癌的分類取得了100%的準確性，檢測出來的癌症區域也與專家經驗相一致（見下圖）。該方法可加速病理影像分類器的開發，透過結合智慧顯微鏡，可以為臨床醫生提供實時的診斷意見，降低誤診的發生。
4．從全視野數字切片到顯微鏡：針對病理癌症影像分類的深度顯微鏡遷移網路
From Whole Slide Imaging to Microscopy: Deep Microscopy Adaptation Network for Histopathology Cancer Image Classification
關鍵字：遷移學習，無監督領域自適應，深度學習
本文由騰訊AI Lab主導，與華南理工大學、中山大學附屬第六醫院合作完成。基於深度學習的病理影像分類對癌症診斷至關重要。然而，深度神經網路的訓練往往需要大量的標註資料，而針對顯微鏡病理影像的標註需要專業知識，較難獲取。如果能借助相關任務的帶標籤資料，幫助無標籤的顯微鏡圖片訓練深度神經網路，可以大大加快相關應用的開發。
本文提出了一種無標籤領域自適應演算法來訓練具有領域不變性的深度神經網路，從而透過探索全視野數字切片的標註資訊解決無標籤顯微鏡影像的分類任務。
針對病理影像的特點，本文不僅有效處理了顯微鏡影像和全視野數字切片影像的域間差異，同時還較好地解決了影像的域內差異（即類別不一致性）和類別不平衡問題，從而成功訓練得到具有領域不變性的深度神經網路，有效地解決了顯微鏡影像的分類任務。
基於該方法訓練出來的深度神經網路，在不使用任何帶標註顯微鏡資料的情況下，在顯微鏡任務上取得了極為優異的效能，甚至超過了使用部分帶標註資料訓練的神經網路。
該方法可利用相關任務的標註資料訓練在目標任務上表現良好的深度神經網路。透過結合全視野數字切片的標註，可以為日常使用智慧顯微鏡的臨床醫生提供實時的診斷意見，降低誤診的發生。同時，該方法也可應用於其他醫療分類任務，甚至自然圖片的分類任務中。
深度顯微鏡遷移網路結構圖。主要由3個部分組成：特徵提取器，分類器和領域判別器。同時，本方法提出三個損失函式來訓練網路：domain loss用於解決域間差異；entropy loss解決域內差異；focal loss解決類別不平衡問題。
5．基於共軛全卷機網路的成對語義分割
Pairwise Semantic Segmentation via Conjugate Fully Convolutional Network
關鍵字：語義分割，成對分割，共軛卷積網路，代理監督
本文由騰訊優圖主導，與西安交通大學合作完成。醫學影像分割是醫療AI領域一個非常重要的任務。然而，好的分割效能往往依賴於大量的標註資料，這在現實應用中成本是非常昂貴的。另一方面，醫學影像包含大量的結構化資訊，這些結構化先驗可以為分割任務提供額外的監督。本文主要關注一個問題：如何在有限的標註資料下，充分利用醫學影像的結構化資訊，有效提升分割效能？
為此，本文提出一種成對分割的框架來解決上述問題。這一框架可以有效挖掘醫療影像切片間的關係，並以代理監督的形式加以約束。
實驗結果表明，該方法透過不同切片之間配對，一方面大幅地提升了標註資料的數量，另一方面，有效地提升了相鄰切片預測結果的光滑性和一致性。該方法可用於標註資料不足的條件下進行語義分割這一現實場景中，可以透過有效挖掘先驗知識以彌補資料量不足的問題。
本文提出的網路結構圖。主要由3個部分組成：一個共享的編碼模組、解碼模組和融合模組。網路接收2個不同切片作為輸並輸出它們對於的分割結果。此外，融合模組用來擬合一個額外的代理監督，以此建模切片間的結構先驗。
6．利用深度金字塔網路和多尺度助力機制進行CT病灶檢測
Attentive CT Lesion Detection Using Deep Pyramid Inference with Multi-Scale Booster
關鍵字：病灶檢測，深度學習，注意力學習
本文由騰訊優圖實驗室主導，來自吉林大學的實習生參與。CT病灶檢測對於醫生診斷疾病非常重要。目前基於深度學習的檢測方法使得病灶檢測能夠自動化。但由於個體的差異，不同病灶尺寸差異巨大，導致目前檢測方法在病灶檢測上準確率有限。此外，由於CT影像含有的3維資訊，為了提高準確率，目前多數方法採用3D網路，導致檢測速度較慢。
本文提出了一種利用通道和空間注意力機制的多尺度檢測器，使得在2D檢測網路上達到比3D檢測網路更準確的結果。針對不同病灶尺度差異巨大的問題，本文使用不同感受野的空洞卷積操作來捕獲不同尺度的資訊。將含有不同尺度資訊的特徵圖連線起來，利用通道和空間注意力操作，自動學習，過濾掉空洞卷積帶來的無效資訊，提取對病灶檢測重要的語義資訊。
基於該方法訓練出來的檢測網路，在測試樣本上平均敏感度比其他檢測方法提高了7.4%；在檢測尺寸特別小和尺寸特別大的病灶上，分別提高了8%和14%。我們的方法在檢測各種尺度的病灶下，都沒有漏檢和誤檢，如下圖。
該方法首次在2D檢測網路上達到了比3D更準確的結果，使得檢測效率更高，為後續病灶檢測方法的研究提供了堅實的基礎。此外，該方法可以為臨床醫生提供實時的病灶檢測結果，提高醫生分析CT影像的效率。
7．基於魔方復原的三維醫療影像自監督學習方法
Self-supervised Feature Learning for 3D Medical Images by Playing a Rubik's Cube
關鍵字：自監督學習，預訓練方法，三維醫療影像
本文由騰訊優圖實驗室主導，來自清華大學的實習生參與。不同於自然影像，醫療影像（如CT，MRI）往往為三維資料。該類資料存在標註難度大，標註資訊難以獲取等問題，這導致標註的三維醫學影像數量通常不足以很好的訓練深度學習網路。
本文提出了一種深度挖掘原始資料資訊的自監督學習方法。該方法透過模擬魔方復原過程（如下圖所示），使網路自發的在原始資料中提取有用資訊。
目前在已有很多工作針對二維影像及二維深度學習網路提出了自監督學習方法。但尚未有工作針對三維醫學影像及三維深度學習網路給出合適的自監督學習方案。相較二維自然影像，三維醫學影像的標註更難獲取，這使得自監督學習在三維醫學影像處理領域有很大的應用前景。本文提出的三維自監督學習方法希望能彌補業內的研究空白，幫助提升相關醫學影像處理任務的準確率。
本文所提出的方法在兩個目標任務（腦出血病因分類和腦膠質瘤分割）上進行了驗證。實驗結果表明該方法能夠明顯提高三維深度學習網路在目標任務上的準確率。
本文創新地利用模擬魔方復原過程作為預訓練任務，讓三維深度學習網路自發的在原始資料中學習到有用的特徵，從而減少深度學習網路對資料量的需求，提高後續監督任務的準確率。
模擬魔方復原過程的自監督學習框架。該框架包含兩個操作：打亂立方塊順序及旋轉立方塊方向。
8．基於空間啟用機制和多工框架的視網膜血管分割和動靜脈分類
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification
關鍵字：眼底血管分割，動靜脈分類，深度學習，多工學習
本文由騰訊優圖實驗室主導，來自廈門大學的實習生參與。眼底血管是人體唯一一處可以直接無介入觀測的血管，很多全身性的疾病和心腦血管疾病都會影響眼底動脈和靜脈的形態。因此，自動化的血管分割和動靜脈分類具有重要的臨床意義。然而，傳統動靜脈分類的方法過程繁瑣，耗時很長，且分類的精度嚴重依賴於初始血管分割的結果。
針對傳統方法的弊端，本文將深度學習和多工模型引入血管分割和動靜脈分類任務，同時實現端到端的動脈、靜脈及全血管的分割和分類。
針對動靜脈分類，設計了一個獨特的多工輸出模組，分別輸出血管分割和動靜脈分類的結果；並且創新性地設計了一個空間啟用機制，用較為簡單的血管分割任務去輔助較為複雜的動靜脈分類任務，增加分割結果中毛細血管相關區域的權重，使網路能夠更好的對血管進行分類。
在DRIVE公開資料集上達到了95.7%的血管分割精度和94.5%的動靜脈分類精度，在這兩個任務上同時達到了state-of-the-art的效果。
本文提出的基於空間啟用機制的多工血管分割和動靜脈分類框架，極大的提高了眼底血管分類的精度和預測速度，實現了端到端的血管分割和動靜脈分類。為眼底血管的精確量化打下了基礎，進而可以促進全身性疾病和心腦血管疾病在眼底生物標記的相關研究。
動靜脈血管分割和分類效果圖。(A)原始圖片；(B)(E)血管分割和動靜脈分類標籤；(C)(F)模型預測結果；(D)(G) 區域性細節放大圖。