近年來，深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)一定程度上顛覆了醫(yī)學影像行業(yè)的發(fā)展路徑，人工智能介入下，影像相關(guān)科室繁雜重復的工作逐漸由算法接替，醫(yī)生資源短缺這一問題似乎出現(xiàn)了解決的希望。

但AI亦有其限制。從當前發(fā)展情況看，有效的人工智能算法大多聚集于存在大量標準化數(shù)據(jù)的病種，畢竟要實現(xiàn)高質(zhì)量AI診斷，需要大量的高質(zhì)量標注圖像進行前期的算法訓練。

這一數(shù)據(jù)相關(guān)的特質(zhì)限制了醫(yī)學AI的廣泛應(yīng)用。現(xiàn)實之中，罕見病和疑難雜癥的數(shù)據(jù)較少，囿于患者隱私、數(shù)據(jù)安全等問題，數(shù)據(jù)收集行為的開展也較為困難。此外，醫(yī)學圖像的標注過程成本較高，對于不同的標注內(nèi)容往往需要開發(fā)特殊的標注工具并交由有經(jīng)驗的醫(yī)生進行。多方面原因協(xié)同下，某些醫(yī)學圖像問題的高標注質(zhì)量醫(yī)學圖像數(shù)據(jù)集非常稀缺，其AI自然也難以孕育。

好在AI面臨的困境并非沒有解法。回想起來，人類只需通過極少的樣本就能辨別新的事物，那么機器是否能以復制人類的這一能力呢？答案或許是可以的。最近醫(yī)學AI領(lǐng)域興起的一系列小數(shù)據(jù)學習方法便是以模仿人類的判別能力為目標，嘗試通過減少需要的數(shù)據(jù)量，實現(xiàn)特定目標圖像的識別，最終克服醫(yī)學領(lǐng)域數(shù)據(jù)量少、標準缺乏的問題。

以先驗知識為基礎(chǔ)的小樣本學習

要實現(xiàn)小樣本學習（few-shot learning）必須要具備一些特定條件，譬如模型學習前已經(jīng)吸收了一定類別的大量資料后，再加之新類別的極少量數(shù)據(jù)，最終實現(xiàn)小樣本模型的形成。因此，小樣本學習的關(guān)鍵是在算法中納入合適的先驗知識。

具體到醫(yī)療領(lǐng)域之中，很多醫(yī)學圖像模態(tài)中廣泛存在器官的位置先驗信息，例如CT圖像中肝臟主要位于腹腔的右上位置，而脾則在腹腔的左上部分，這些位置先驗信息對于AI識別特定類別的器官有非常大的幫助。

體素科技在頂級會議ISBI2021上發(fā)表的論文《Location Sensitive Local Prototype Network For Few-shot Medical Image Segmentation》便提出了一種基于位置先驗信息的局部原型網(wǎng)絡(luò)（location sensitive local prototype network，見圖1）。該論文以肝和脾影像數(shù)據(jù)構(gòu)建訓練集，再將其收獲先驗信息的算法加入少量腎部影像分割任務(wù)，實現(xiàn)基于小樣本學習的AI模型訓練。

圖一：基于位置先驗信息的局部原型網(wǎng)絡(luò)框架

在公開的CT器官分割數(shù)據(jù)集Visceral進行試驗后，其結(jié)果表明，論文提出的新框架比目前的最好方法在Dice Score指標上提高了10%，顯著推進了小樣本下的器官分割這一領(lǐng)域的技術(shù)進展。

利用極端變化一致性來提高數(shù)據(jù)不足情況下醫(yī)學圖像分割的魯棒性

除了數(shù)據(jù)獲取困難這一問題外，研究人員在訓練時還會遭遇數(shù)據(jù)來源不統(tǒng)一的問題。

由于醫(yī)學圖像的拍攝設(shè)備和拍攝環(huán)境和方式多樣，各個醫(yī)院和體檢中心之間的人群分布差異明顯，因此很難收集和標注足量的訓練數(shù)據(jù)充分涵蓋不同來源的圖像特征。如果訓練數(shù)據(jù)和實際測試數(shù)據(jù)存在明顯的的分布差異（domain shift），生成的模型往往性能不佳。

體素科技在頂級會議MICCAI2020上發(fā)表的《Extreme Consistency： Overcoming Annotation Scarcity and Domain Shifts》為解決這一問題提供了方向。具體而言，該論文提出了極端一致性（extreme consistency）的概念，核心思想是在訓練數(shù)據(jù)中加入極端的圖像變換（比如大量強烈的亮度，對比度， 旋轉(zhuǎn)， 尺寸變換），以增加訓練數(shù)據(jù)的多樣性，并假設(shè)這些極端的圖像變換并不影響圖像的語義含義。舉例來說，眼底圖像中的血管在經(jīng)過極端的旋轉(zhuǎn)和亮度對比度等變換后，依然能夠?qū)?yīng)血管本身。

為了實現(xiàn)這一構(gòu)想，論文設(shè)計了一種半監(jiān)督算法（semi-supervised learning， 見圖2）， 迫使模型遵守極端變化前和變化后的語義一致性這一約束，進而提高模型對于分布差異的魯棒性。該論文在皮膚病變分割數(shù)據(jù)集（ISIC）和兩個眼底血管分割數(shù)據(jù)集 （HRF和STARE）上進行了測試，展現(xiàn)了在數(shù)據(jù)不足和分布差異較大情況下，算法的魯棒性和準確性的優(yōu)勢。

圖2：左邊是基于極端一致性的半監(jiān)督學習方法的偽代碼，右邊是網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

少標注和弱標注情況下醫(yī)學圖像分割如何解決？

除了數(shù)據(jù)的來源問題，對已有數(shù)據(jù)進行分割標注同樣需要研究人員付出大量成本。在中國，影像數(shù)據(jù)標注非常昂貴，尤其是像素級別的醫(yī)學圖像分割標注，人力支出更為巨大。因此，近期大量的研究工作試圖解決不完善醫(yī)學圖像分割數(shù)據(jù)集中的兩類典型問題：

· 標注稀缺。數(shù)據(jù)集中只有極稀少的圖像數(shù)據(jù)有分割標注。

· 弱標簽。數(shù)據(jù)集中的圖像數(shù)據(jù)只有部分標注、或者標注帶有噪聲、或者只有圖像級的類別標簽沒有逐像素的分割標注。

對于這兩問題，體素科技發(fā)表在頂級期刊《Medical Image Analysis》中的文章《Embracing Imperfect Datasets： A Review of Deep Learning Solutions for Medical Image Segmentation》系統(tǒng)性地對現(xiàn)有方案進行了詳細的回顧和分類總結(jié)（見圖3所示）。根據(jù)醫(yī)學圖像分割數(shù)據(jù)集的不同缺陷，論文對這些方案的選擇給出了實際的指導建議。

圖3：醫(yī)學分割圖像數(shù)據(jù)集數(shù)據(jù)集缺陷問題及相應(yīng)訓練策略總結(jié)

近年來，體素科技和交大科研團隊合作參與了多個醫(yī)學AI挑戰(zhàn)賽并獲得佳績。體素科技團隊在ISBI2020學術(shù)會議上舉辦的ADAM比賽黃斑定位任務(wù)上獲得了第三名的成績。ADAM比賽是由百度靈醫(yī)智慧和中山大學中山眼科中心聯(lián)合舉辦，包含了黃斑定位等四個任務(wù)，吸引了來自20多個國家的近400支參賽隊伍。

黃斑區(qū)域是眼底的一個特別重要的功能區(qū)域，精確定位黃斑對于進一步的輔助診斷很有幫助。該任務(wù)一大難點是，很多嚴重影響視力的眼底疾病都發(fā)生在黃斑區(qū)域，使其外觀和正常黃斑相比有較大變化，導致現(xiàn)有常見深度學習模型對于病變黃斑的定位不夠魯棒。體素科技團隊創(chuàng)新性的設(shè)計了一個雙流網(wǎng)絡(luò)融合眼底圖像和對應(yīng)的血管分割信息，可以借助于眼底血管形狀和走向信息來估計黃斑的位置，大大提高了嚴重病變的黃斑區(qū)域定位效果。該模型在ADAM比賽決賽中平均黃斑定位誤差為25個像素（排名第3）， 體現(xiàn)了一定的臨床可用性。

除此之外，體素科技團隊在COVID-19 Lung CT Lesion Segmentation Challenge - 2020（“肺部CT新冠肺炎分割2020”國際挑戰(zhàn)賽）中獲佳績，在肺炎分割關(guān)鍵指標Dice Score上排名第2，所有指標加權(quán)排名第3。

COVID-19-20國際挑戰(zhàn)賽是由Children‘s National Hospital聯(lián)合英偉達（NVIDIA）、美國國立衛(wèi)生研究院（NIH）和國際醫(yī)學圖像計算和計算機輔助干預協(xié)會（MICCAI）舉辦的國際競賽，設(shè)置了分割和量化由SARS-CoV-2感染引起的肺部病變（主要是毛玻璃影）的挑戰(zhàn)任務(wù)，旨在探究基于深度學習的肺炎病灶分割模型用于COVID-19 CT 影像定量分析的可行性，為COVID-19 鑒別診斷提供幫助。COVID-19-20國際挑戰(zhàn)賽吸引了來自29個國家的200多支參賽隊伍。

此次獲獎的新冠肺炎分割模型采用目前在各類醫(yī)學圖像分割任務(wù)中均表現(xiàn)突出的深度學習模型nn-Unet 框架進行肺炎病灶分割，對圖像分割中的各個環(huán)節(jié)，包括圖像預處理，網(wǎng)絡(luò)架構(gòu)和學習過程等都進行了自動化的優(yōu)化和參數(shù)估計。同時為了解決噪聲標注帶來的模型優(yōu)化方向偏離以及在醫(yī)學影像中普遍存在的前景背景類別不平衡的問題，體素科技團隊選取了Noise-Robust Dice Loss作為模型的優(yōu)化損失。最終該模型在同源測試集上Dice Score為0．6581（排名第2）。

責任編輯：xj