乾明發自凹非寺

　　量子位報道公眾號 QbitAI

　　同時兩篇研究成果被行業頂會收錄，華為云醫療 AI 布局，低調浮出水面。

　　2020 年國際醫學圖像計算和計算機輔助干預會議（MICCAI 2020），論文接收結果已經公布。

　　其中，華為云醫療 AI 團隊和華中科技大學合作的 2 篇研究成果入選。

　　MICCAI 2020 橫跨醫學影像計算和計算機輔助介入兩個領域，已經有 16 年發展歷史，是國際公認的行業頂尖學術會議。

　　不僅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。

　　語義/實例分割問題是近年來醫學圖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。

　　此次華為云醫療 AI 團隊的 2 篇論文，針對的是醫學圖像計算領域中語義/實例分割問題，探討如何將心臟、肝臟、前列腺等器官的原始圖像數據轉化為高價值的空間結構化信息。

　　具有很強的臨床使用價值，不僅能夠輔助醫生決策，還能幫助醫生完成術前規劃，腫瘤動態監控等任務。

　　在研究論文中，華為云醫療 AI 團隊提出的方法，用于解決由醫療設備成像、器官病灶本身構造等因素造成的待分割物體邊緣不清晰問題——這是此前深度學習算法很難發揮效力的場景。

　　華為云團隊提出的兩個方法中，每一個都展示出了超越傳統方法的效果。

　　醫療 +AI 最新成果

　　其中一篇論文，名為“Pay More Attention to Discontinuity for Medical Image Segmentation”，研究的是如何分割好醫療影像中不連續的區域（比如器官病灶等）。

　　論文中表示，已有的分割方法在處理這種情況時，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。

　　比如下圖中的情況（左側是標簽圖，右側是已有方法分割圖像的情況，黃圈是缺失部分）：

　　在這篇論文中，華為云醫療 AI 團隊聯合華中科技大學，論述了區域內不連續問題導致邊緣分割不準確的概念，并提出了解決方法：提升不連續位置的注意力。

　　具體來說，是應用邊緣檢測器來識別不連續的位置，并將此“不連續”監督信號添加到 loss 目標函數中，配合常規 Dice loss 組合成多任務目標學習函數，以此進行更精準的邊緣識別，算法框架如下圖所示：

　　他們將這一算法在三種醫學圖像分割任務上進行了全方位驗證，分別是：MRI 心臟分割數據集-Cardiac500、MRI 前列腺分割數據集 T2-SPIR 和 MRI 肝臟分割數據集 Medical Segmentation Decathlon。

　　結果顯示，相比于已有基線方法，衡量分割結果的核心指標都有所提升。其中。在心臟分割遷移任務上 Cardiac500 遷移到 ACDC 的結果提升了 5.1 個百分點。

　　為了進一步驗證他們提出的方法有效性，他們還進一步分析了 Cardiac500 數據集中 2645 個測試樣本的分割結果分布，結果顯示完全消除了核心指標小于 0.8 的樣本，相比之下，基線方法有 13 個樣本低于 0.8。

　　另一篇論文，題目為“Learning Directional Feature Maps for CardiacMRI Segmentation”，同樣是華為云醫療 AI 團隊聯合華中科技大學的研究成果。

　　通常情況下，磁場不均勻和在核磁共振成像過程中臟器運動等因素會產生偽影，使得目標邊界模糊。

　　但當前基于深度學習的分割方法由于缺乏有效的語義像素級關聯，導致分割出來的目標物體無法維系解剖學結構，如下圖所示：

　　這就是華為云醫療 AI 團隊這篇論文要解決的問題，他們提出了一種通過學習方向特征圖，強化像素間語義級關聯，通過增加類間距，縮小類內距，來維持物體解剖學結構，實現高精度的邊緣分割。具體過程如下圖所示：

　　首先，用U-Net 來學習初始分割效果圖。之后，基于U-Net 主干，通過 DF 模塊學習每個像素方向場的強度信息和方向信息。

　　接下來，利用學習得到的方向場信息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。最后，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任務學習。

　　論文中展示了這一方法的分割以及泛化性能。相比已有的方法，其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。

　　基于行業熱點研究課題，兩篇論文都被業內頂會收錄，華為云醫療 AI 的實力可見一斑。

　　基于上述兩種方法，華為云醫療 AI 團隊聯合華中科技大學聯合開發了一套基于深度學習的心臟 AI 服務，可實現心臟各結構的自動分割、并進行精準量化分析，實現單病例量化結果的秒級輸出，AI+ 醫生復核總體效率是純人工量化評估速度的數十倍。目前，該服務已成功在華為云上線。

　　但這只是其近年來研究成果的一部分，華為云在醫療 AI 領域，已經深耕許久，尤其是在醫學影像領域。

　　華為云醫療 AI 布局浮出水面

　　從研究成果來看，事實上，在去年的 MICCAI 以及 MICCAI-MIML 上，華為云醫療 AI 團隊已經有 3 篇論文入圍，覆蓋宮頸癌篩查、腦中風分割以及平片診斷報告自動生成等應用場景。

　　在近年來多個醫學影像相關的 AI 挑戰賽事上，華為云的技術實力也都達到了世界領先水平。

　　比如在 Grand-Challenge 胎兒超聲影像頭圍測量比賽（HC18）上，華為云超過了香港中文大學、中國科學院、加拿大女王大學等 100 多個大學和科研機構，以 1.89mm 的平均絕對誤差取得第一。

　　前段時間，我們報道了 IEEE Fellow、AI 大牛田奇加入擔任華為云人工智能領域首席科學家。

　　田奇作為計算機視覺領域大牛，主導 AI 視覺方向的前沿研究，他加入之后，想必會提升華為云在計算機視覺領域的基礎研究實力。

　　可以預見，在田奇加入后，華為云醫療 AI，尤其是醫學影像方面，未來還會有更大的進展。

　　但不僅僅是研究，華為云還在積極探索怎樣將 AI 技術快速落地。

　　過去的這幾年，他們與醫療行業中的企業及醫院和高校合作，為用戶提供端到端的 AI 使能平臺，推動 AI 應用到行業場景中。

　　2019 年 6 月，華為云與金域醫學合作，在 AI 輔助病理診斷應用開發方面取得突破性進展。

　　他們訓練出的宮頸癌篩查模型，在排陰率高于 60% 的基礎上，陰性片判讀的正確率高于 99%，同時，陽性病變的檢出率超過 99.9%。

　　一舉成為國際上已公布的 AI 輔助宮頸癌篩查的最高水平。而且在診斷速度上也大大提升：每例病理判讀僅需 36 秒，是人工判讀的 10 倍。

　　疫情期間，華為云與藍網科技等合作伙伴，打造出了基于人工智能的醫療影像輔助診斷系統，將診斷效率從過去的 10-15 分鐘變為 10-15 秒，極大地緩解了醫療壓力。

　　在多年技術的積累下，華為云已經面向行業推出了企業級的醫療影像 AI 平臺，支撐全流程可追溯的端到端 AI 建模，助力醫療影像 AI 更加系統、快速、安全地走向市場。

　　此外，在基因組和制藥領域，華為云也有了不少布局和積累。

　　今年新冠疫情爆發后不久，華為云就與合作伙伴一起組成了聯合攻關團隊，基于華為云醫療智能體平臺（EIHealth），針對新冠病毒的所有 21 個靶標蛋白進行計算機輔助藥物篩選。

　　在短短數小時內完成了上千萬次的模擬計算，并及時公開了研究結果，為全球的抗病毒研發工作提供了支持。

　　而在之前，如此大規模的計算往往需要幾個月才能完成。

　　在全球抗疫形勢依舊嚴峻的情況下，如此助力體現出了 AI 普惠的一面，這也正是華為云對其醫療 AI 的期待：

　　解決醫療領域的基礎難題，通過 AI 技術轉換，為人類疾病預防、診斷、治療貢獻力量。

　　而在算力、算法以及應用平臺等各個方面都成熟的情況下，華為云醫療 AI 推進的速度也在進一步加快。

　　華為云醫療智能體平臺（EIHealth）已經對外開放，如果你有興趣，可以點擊閱讀原文訪問~

　　—完—

總結

以上是生活随笔為你收集整理的进击的华为云医疗AI：顶会两篇论文连发，研究和落地加速的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。