腾讯医疗AI实验室：基于深度学习的放疗靶区自动勾画
每年有超過六十萬人被診斷患有頭頸部癌癥，其中許多人選擇接受放射治療。 但頭頸部重要器官比較集中，解剖關(guān)系復(fù)雜，如果在治療前未仔細(xì)隔離，放療時周圍組織可能會嚴(yán)重受損。?
騰訊醫(yī)療 AI 實(shí)驗室和美國加州大學(xué)合作，正在探索人工智能（AI）如何幫助分割過程，輔助放療規(guī)劃。近日聯(lián)合在國際權(quán)威期刊《Medical Physics》發(fā)表最新研究成果——《器官神經(jīng)網(wǎng)絡(luò)：深度學(xué)習(xí)用于快速和全自動整體頭頸危及器官靶區(qū)勾畫》（AnatomyNet: Deep Learning for Fast and Fully Automated Whole-volume Segmentation of Head and Neck Anatomy）。?
在頭頸癌放療過程中，醫(yī)生根據(jù)患者 CT 圖像手動描繪放療靶區(qū)和危及器官（Organ at Risk，OaR），目的是最大限度將放射劑量集中在靶區(qū)內(nèi)，而讓周圍正常組織或器官少受或免受不必要的傷害。然而，勾勒過程非常耗時，降低診療效率的同時，更是耽誤了患者的治療時間。
該研究提出一種深度學(xué)習(xí)模型——“器官神經(jīng)網(wǎng)絡(luò)（AnatomyNet）”，可以快速地對整張 CT 的所有切片進(jìn)行全自動化器官分割（Segmentation），在小于 1 秒鐘的時間內(nèi)完成一整幅頭頸 CT 的危及器官勾畫，大幅度提升了放療靶區(qū)勾畫效率。研究成果一經(jīng)發(fā)表，就引起國際領(lǐng)域內(nèi)廣泛認(rèn)可，目前已被引用多次。與合作醫(yī)院的臨床測試表明，AI 靶區(qū)勾畫能夠大幅度減少醫(yī)生工作時間，同時提升勾畫準(zhǔn)確率。
研究成果獲國內(nèi)外肯定
《Medical Physics》是美國醫(yī)學(xué)物理學(xué)家學(xué)會（The American Association of Physicists in Medicine，AAPM）的官方期刊，該研究成果在期刊上發(fā)表后，目前已經(jīng)被多個機(jī)構(gòu)引用。?
美國德克薩斯大學(xué) MD 安德森癌癥中心（MD Anderson Cancer Center）對騰訊醫(yī)療 AI 實(shí)驗室的“器官神經(jīng)網(wǎng)絡(luò)”表示關(guān)注，并把該研究成果作為中心一項大規(guī)模研究的重要部分。該中心在美國乃至全球皆享譽(yù)盛名，多次被評為美國最佳癌癥研究機(jī)構(gòu)，也是公認(rèn)的全球最好的腫瘤醫(yī)院。?
此外，論文一經(jīng)發(fā)布，很快被加拿大瑞爾森大學(xué)、中國中科院等多家機(jī)構(gòu)學(xué)者在其研究報告中被提及和引用，作為最新的研究突破獲得國內(nèi)外認(rèn)可。
“器官神經(jīng)網(wǎng)絡(luò)”為何廣受關(guān)注？
在放射治療過程中，醫(yī)生需要基于患者 CT 圖像勾畫出危及器官，而一個標(biāo)準(zhǔn)的 CT 圖像包含上百張切片，醫(yī)生需要單獨(dú)在每個切面中勾畫出危及器官的位置，手動描繪非常耗時。一般來說，根據(jù)醫(yī)生熟練程度，大概需要幾個小時的時間。
自動危及器官分割技術(shù)可以同時減少治療計劃所占用的時間，以及提高治療計劃的質(zhì)量。現(xiàn)有的器官自動分割主要使用基于模板的技術(shù)。這類技術(shù)盡管需要復(fù)雜的技術(shù)來創(chuàng)建模板，但是不能夠充分地對病人之間的差異進(jìn)行建模。需要時間超過 20 分鐘。
騰訊醫(yī)療 AI 實(shí)驗室研究團(tuán)隊提出器官神經(jīng)網(wǎng)絡(luò)（AnatomyNet）深度學(xué)習(xí)方法，可以對頭頸 CT 圖像進(jìn)行危及器官分割。器官神經(jīng)網(wǎng)絡(luò)的輸入是頭頸 CT 圖像的所有切片。該神經(jīng)網(wǎng)絡(luò)可以一次性產(chǎn)生所有危及器官的預(yù)測結(jié)果。
器官神經(jīng)網(wǎng)絡(luò)的構(gòu)建是基于常用的三維 U 網(wǎng)絡(luò)（U-net）架構(gòu)，但是騰訊 AI 實(shí)驗室在三個重要的方面對其進(jìn)行了擴(kuò)展：
1. 一種新的在整幅 CT 圖像上進(jìn)行自動分割的編碼方式，而不是在局部圖像塊上，或者一部分 CT 圖像切片上分割；
2. 在編碼層中，加入三維 Squeeze-and-Excitation 殘差結(jié)構(gòu)來進(jìn)行更好的特征表示學(xué)習(xí)；
3. 一種新的結(jié)合 Dice 損失和 Focal 損失的損失函數(shù)，用來更好地訓(xùn)練該神經(jīng)網(wǎng)絡(luò)。
在深度學(xué)習(xí)的器官分割中，使用這些技巧解決兩個主要的挑戰(zhàn)：
a. 小器官的分割（比如，視神經(jīng)和視交叉），這些小器官僅僅只有幾個切片；
b. 對于一些器官結(jié)構(gòu)，數(shù)據(jù)標(biāo)注不一致以及標(biāo)注缺失給訓(xùn)練造成一些問題。
▲?圖1：器官神經(jīng)網(wǎng)絡(luò)危及器官分割結(jié)果
圖 1 為器官神經(jīng)網(wǎng)絡(luò)危及器官分割結(jié)果，其中綠色為醫(yī)生標(biāo)注，紅色為器官神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，黃色表示標(biāo)注和預(yù)測重合，結(jié)果顯示高度一致。
從圖 2 的動態(tài)效果圖上，可以更清晰地在三維 CT 所有切片上看到器官神經(jīng)網(wǎng)絡(luò)預(yù)測和醫(yī)生標(biāo)注的比較，其中左邊顯示的是醫(yī)生標(biāo)注，右邊顯示的是器官神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果。
▲?圖2：動態(tài)效果圖
從結(jié)果上說：和之前 MICCAI 競賽中最好的方法相比，器官神經(jīng)網(wǎng)絡(luò)平均提升了 3.3% 的 Dice 指標(biāo)。器官神經(jīng)網(wǎng)絡(luò)僅僅使用 0.12 秒就可以完全完成一整幅 CT 圖像（178512512）的分割。該速度極大地縮短了之前方法所用的時間（20分鐘以上）。除此之外，該模型可以處理一整幅包含所有切片的 CT 圖像，以及一次性勾畫所有的危及器官，不需要很復(fù)雜的預(yù)處理以及后處理。
騰訊醫(yī)療 AI 實(shí)驗室開發(fā)的深度學(xué)習(xí)模型提供了一種 CT 圖像勾畫危及器官的可行思路。表明深度學(xué)習(xí)可以提升器官分割準(zhǔn)確率，簡化自動分割器官的流程。該技術(shù)可以在小于 1 秒鐘的時間內(nèi)完成一整幅頭頸 CT 的危及器官勾畫。
騰訊醫(yī)療AI實(shí)驗室以科研成果推動技術(shù)創(chuàng)新
除本次發(fā)表于《Medical Physics》的研究成果，今年 7 月，騰訊醫(yī)療 AI 實(shí)驗室已有 3 篇論文分別被 KDD 2018、SIGIR 2018、COLING 2018 三個國際頂尖學(xué)術(shù)會議收錄，論文的主要研究方向為醫(yī)療知識圖譜中實(shí)體關(guān)系的發(fā)現(xiàn)和應(yīng)用。
騰訊醫(yī)療 AI 實(shí)驗室是騰訊專為醫(yī)療領(lǐng)域打造的人工智能實(shí)驗室，目前在硅谷、北京、深圳設(shè)立了三個分支。其作為騰訊醫(yī)療健康領(lǐng)域眾重要技術(shù)驅(qū)動，騰訊 AI 實(shí)驗室在學(xué)術(shù)研究層面不斷發(fā)力，致力于 AI 醫(yī)學(xué)領(lǐng)域的前沿突破。
實(shí)驗室的主要研究方向是基于自然語言理解、醫(yī)學(xué)知識圖譜、深度學(xué)習(xí)、醫(yī)療影像、貝葉斯網(wǎng)絡(luò)、多模態(tài)分析等基礎(chǔ)技術(shù)構(gòu)建醫(yī)學(xué)知識引擎、醫(yī)療推理引擎、臨床輔助診斷引擎、問診對話引擎等智能平臺。
騰訊醫(yī)療 AI 實(shí)驗室致力于推動醫(yī)療 AI 開創(chuàng)性技術(shù)研發(fā)，目前，騰訊醫(yī)療 AI 實(shí)驗室已推出帕金森病運(yùn)動功能智能評估系統(tǒng)，其他主要產(chǎn)品還包括臨床輔助決策支持系統(tǒng)，面向腦卒中、急性冠脈綜合癥等高危易誤診疾病提供臨床輔助決策支持，以及心電圖智能分析軟件，利用 AI 技術(shù)實(shí)現(xiàn)心電圖監(jiān)測結(jié)果的自動判讀和預(yù)警等。
近日，以騰訊醫(yī)療 AI 實(shí)驗室為技術(shù)核心主體，騰訊作為牽頭單位承擔(dān)“2018 年科技部重點(diǎn)研發(fā)計劃數(shù)字診療裝備專項基于人工智能的輔診系統(tǒng)項目”，將會組建高精尖隊伍承擔(dān)國家科研重任，搭建 AI 輔診平臺并向臨床應(yīng)用推進(jìn)。
未來，騰訊醫(yī)療 AI 實(shí)驗室也將持續(xù)通過研發(fā) AI 技術(shù)與醫(yī)療的深度結(jié)合，構(gòu)建良好的技術(shù)生態(tài)，從臨床角度解決問題，服務(wù)于醫(yī)患雙方，助力醫(yī)療行業(yè)智慧化升級，同時著重助力分級診療國策的落地。
點(diǎn)擊以下標(biāo)題查看更多論文解讀：?
網(wǎng)絡(luò)表示學(xué)習(xí)綜述：一文理解Network Embedding
神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索（NAS）綜述
從傅里葉分析角度解讀深度學(xué)習(xí)的泛化能力
哈佛NLP組論文解讀：基于隱變量的注意力模型
ACL2018高分論文：混合高斯隱向量文法
COLING 2018最佳論文：序列標(biāo)注經(jīng)典模型復(fù)現(xiàn)
一文解析OpenAI最新流生成模型「Glow」
#投 稿 通 道#
?讓你的論文被更多人看到?
如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？ 答案就是：你不認(rèn)識的人。
總有一些你不認(rèn)識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?
PaperWeekly 鼓勵高校實(shí)驗室或個人，在我們的平臺上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)習(xí)心得或技術(shù)干貨。我們的目的只有一個，讓知識真正流動起來。
??來稿標(biāo)準(zhǔn)：
? 稿件確系個人原創(chuàng)作品，來稿需注明作者個人信息（姓名+學(xué)校/工作單位+學(xué)歷/職位+研究方向）?
? 如果文章并非首發(fā)，請在投稿時提醒并附上所有已發(fā)布鏈接?
? PaperWeekly 默認(rèn)每篇文章都是首發(fā)，均會添加“原創(chuàng)”標(biāo)志
? 投稿郵箱：
? 投稿郵箱：hr@paperweekly.site?
? 所有文章配圖，請單獨(dú)在附件中發(fā)送?
? 請留下即時聯(lián)系方式（微信或手機(jī)），以便我們在編輯發(fā)布時和作者溝通
?
現(xiàn)在，在「知乎」也能找到我們了
進(jìn)入知乎首頁搜索「PaperWeekly」
點(diǎn)擊「關(guān)注」訂閱我們的專欄吧
關(guān)于PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學(xué)術(shù)平臺。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號后臺點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
▽ 點(diǎn)擊 |?閱讀原文?| 下載論文
與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖總結(jié)
以上是生活随笔為你收集整理的腾讯医疗AI实验室：基于深度学习的放疗靶区自动勾画的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： KDD 18 论文解读 | GraphW
- 下一篇： Call for Papers | 20