華為雲的研究成果又雙叒叕被MICCAI收錄了！

摘要：2020年國際醫學影像計算和計算機輔助干預會議（MICCAI 2020），論文接收結果已經公佈：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。

語義/例項分割問題是近年來醫學影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著它展開。在臨床上，分割方法使能臨床輔助決策、術前規劃、腫瘤動態監控等任務，具有極高的臨床使用價值。

2020年國際醫學影像計算和計算機輔助干預會議（MICCAI 2020），論文接收結果已經公佈：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作為國際公認的跨醫學影像計算(MIC)和計算機輔助介入 (CAI) 兩個領域的頂級綜合性學術會議。不僅具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標，更是驗證相關研究成果含金量的地方。

基於醫生手工勾勒或者傳統軟體勾勒的方法耗時耗力或者方法泛化能力差，基於深度學習的方法在醫療影像分割問題上展現優異的分割效能，但是由於醫療裝置成像原因（成像偽影），器官病灶本身構造原因（器官病灶內部體液、肌肉間隔，相鄰器官病灶邊緣界定不清晰）等諸多原因，導致器官病灶等待分割物體邊緣不清晰，已有深度學習的方法無法較好解決以上問題。

針對上述問題，華為雲和華中科技大學提出了2種解決方案，分別利用影像的不連續性資訊及方向場資訊，對現有網路進行改造，實現邊界精準分割，可極大提高病灶區域或器官影像的分割精度，助力醫生對疾病的診斷和治療。 可以看出這兩種方案，每一個都展示出了超越傳統方法的效果。

AI+醫療，華為雲秀前沿成果

論文一：業界首次闡述區域內（如器官病灶等）不連續性對區域邊界分割問題的影響，並提出解決方案

已有分割方法在區域不連續位置通常分割效果較差，經常錯誤地將區域內的不連續位置誤判為區域邊界，導致預測的區域邊界不準確，如圖1b所示。針對以上問題，華為雲EI醫學影像團隊聯合華中科技大學首次闡述區域內不連續問題導致邊緣分割不準確這一概念，並提出一種簡單而有效的解決方法：提升不連續位置的注意力，具體為應用一個邊緣檢測器（Scharr Filter等，效果圖如圖1c）來識別不連續的位置，並將此“不連續”監督訊號新增到loss目標函式中，配合常規Dice loss組合成多工目標學習函式，以此進行更精準的邊緣識別，演算法框架如圖2所示，識別效果圖如圖1d所示。

本文方法在三種醫學影像分割任務（MRI心臟分割資料集-Cardiac500、MRI前列腺分割資料集-T2-SPIR和MRI肝臟分割資料集Medical Segmentation Decathlon）上進行了全方位驗證，相比於已有基線方法，DICE分別提升0.68個點，1.09個點，0.8個點（如圖3a和c），並在心臟分割遷移任務上Cardiac500->ACDC提升了5.1個點（如圖3b）。

為了進一步說明本文方法解決區域內不連續性問題的有效性，華為雲分析了Cardiac500資料集中2645個測試樣本的DICE分佈，本文方法完全消除了DICE小於0.8的樣本（基線方法有13個樣本低於0.8），如圖4所示。

論文二：利用方向場進行語義畫素級關聯，維持解剖學結構，實現邊界精準分割

（1）在MRI成像過程中，磁場不均勻或臟器運動等原因產生的MRI偽影常常使得目標邊界模糊；（2）當前基於深度學習的分割方法由於缺乏有效的語義畫素級關聯，導致分割出來的目標物體無法維繫解剖學結構，如圖7所示；基於以上問題，華為雲醫療AI團隊聯合華中科技大學提出了一種透過學習方向特徵圖，強化畫素間語義級關聯，該方法透過增加類間距，縮小類內距，維持物體解剖學結構，實現高精度的邊緣分割。具體為1）透過UNET學習初始分割效果圖；2）基於UNET主幹透過DF模組學習每個畫素的方向場的強度資訊和方向資訊；3）利用學習得到的方向場資訊對初始分割效果進行迭代修正，使用臟器中間分割結果指導邊緣分割；4）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工學習，如圖5所示。

本文所提的模型簡單、有效，並且可以靈活地新增到任何現有的分割網路中，且基本不會增加推理時間開銷。在心臟分割ACDC（Automatic Cardiac Diagnosis Challenge Dataset）資料集，本文方法表現出良好的分割以及泛化效能（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，並在心臟分割遷移任務上（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。

大力度聚焦AI醫療

正如文章開篇所用的詞“又”，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。在業界多個挑戰賽事上如LUNA-2016、HC-2018、ISLES-2018 等，華為與也都達到了領先水平。

在專家方面，IEEE Fellow、AI大牛田奇加入了華為雲出任華為雲人工智慧領域首席科學家。

不僅僅是學術研究，華為雲還在積極探索如何將AI技術在醫療領域上的快速落地。在與金域醫學合作探索AI輔助病理診斷應用開發；疫情期間，華為雲與藍網科技等合作伙伴，打造出了基於人工智慧的醫療影像輔助診斷系統等等。在多年的技術積累下，華為云為使用者提供端到端的AI使能平臺華為雲EI醫療智慧體（eHealth），覆蓋醫療影像、基因組、製藥等領域，與醫療行業領先企業及醫院和高校合作，加速AI研究和應用落地。