乾明发自凹非寺 

　　量子位报道公众号 QbitAI

　　同时两篇研究成果被行业顶会收录，华为云医疗 AI 布局，低调浮出水面。

　　2020 年国际医学图像计算和计算机辅助干预会议（MICCAI 2020），论文接收结果已经公布。

　　其中，华为云医疗 AI 团队和华中科技大学合作的 2 篇研究成果入选。

　　MICCAI 2020 横跨医学影像计算和计算机辅助介入两个领域，已经有 16 年发展历史，是国际公认的行业顶尖学术会议。

　　不仅有国际影响力和学术权威性，还是医学影像分析领域的前沿热点风向标，更是验证相关研究成果含金量的地方。

　　语义/实例分割问题是近年来医学图像计算领域的一个热门研究课题，70％ 以上的国际竞赛都是围绕着它展开。

　　此次华为云医疗 AI 团队的 2 篇论文，针对的是医学图像计算领域中语义/实例分割问题，探讨如何将心脏、肝脏、前列腺等器官的原始图像数据转化为高价值的空间结构化信息。

　　具有很强的临床使用价值，不仅能够辅助医生决策，还能帮助医生完成术前规划，肿瘤动态监控等任务。

　　在研究论文中，华为云医疗 AI 团队提出的方法，用于解决由医疗设备成像、器官病灶本身构造等因素造成的待分割物体边缘不清晰问题——这是此前深度学习算法很难发挥效力的场景。

　　华为云团队提出的两个方法中，每一个都展示出了超越传统方法的效果。

　　医疗 +AI 最新成果

　　其中一篇论文，名为“Pay More Attention to Discontinuity for Medical Image Segmentation”，研究的是如何分割好医疗影像中不连续的区域（比如器官病灶等）。

　　论文中表示，已有的分割方法在处理这种情况时，经常错误地将区域内的不连续位置误判为区域边界，导致预测的区域边界不准确。

　　比如下图中的情况（左侧是标签图，右侧是已有方法分割图像的情况，黄圈是缺失部分）：

　　在这篇论文中，华为云医疗 AI 团队联合华中科技大学，论述了区域内不连续问题导致边缘分割不准确的概念，并提出了解决方法：提升不连续位置的注意力。

　　具体来说，是应用边缘检测器来识别不连续的位置，并将此“不连续”监督信号添加到 loss 目标函数中，配合常规 Dice loss 组合成多任务目标学习函数，以此进行更精准的边缘识别，算法框架如下图所示：

　　他们将这一算法在三种医学图像分割任务上进行了全方位验证，分别是：MRI 心脏分割数据集-Cardiac500、MRI 前列腺分割数据集 T2-SPIR 和 MRI 肝脏分割数据集 Medical Segmentation Decathlon。

　　结果显示，相比于已有基线方法，衡量分割结果的核心指标都有所提升。其中。在心脏分割迁移任务上 Cardiac500 迁移到 ACDC 的结果提升了 5.1 个百分点。

　　为了进一步验证他们提出的方法有效性，他们还进一步分析了 Cardiac500 数据集中 2645 个测试样本的分割结果分布，结果显示完全消除了核心指标小于 0.8 的样本，相比之下，基线方法有 13 个样本低于 0.8。

　　另一篇论文，题目为“Learning Directional Feature Maps for CardiacMRI Segmentation”，同样是华为云医疗 AI 团队联合华中科技大学的研究成果。

　　通常情况下，磁场不均匀和在核磁共振成像过程中脏器运动等因素会产生伪影，使得目标边界模糊。

　　但当前基于深度学习的分割方法由于缺乏有效的语义像素级关联，导致分割出来的目标物体无法维系解剖学结构，如下图所示：

　　这就是华为云医疗 AI 团队这篇论文要解决的问题，他们提出了一种通过学习方向特征图，强化像素间语义级关联，通过增加类间距，缩小类内距，来维持物体解剖学结构，实现高精度的边缘分割。具体过程如下图所示：

　　首先，用U-Net 来学习初始分割效果图。之后，基于U-Net 主干，通过 DF 模块学习每个像素方向场的强度信息和方向信息。

　　接下来，利用学习得到的方向场信息对初始分割效果进行迭代修正，使用脏器中间分割结果指导边缘分割。最后，联合初始分割效果+方向场学习+修订的分割效果等任务进行多任务学习。

　　论文中展示了这一方法的分割以及泛化性能。相比已有的方法，其在心脏分割迁移任务上（Self-collected ->ACDC， ACDC ->Self-collected）分别提升了 1.1 个点和 1.7 个点。

　　基于行业热点研究课题，两篇论文都被业内顶会收录，华为云医疗 AI 的实力可见一斑。

　　基于上述两种方法，华为云医疗 AI 团队联合华中科技大学联合开发了一套基于深度学习的心脏 AI 服务，可实现心脏各结构的自动分割、并进行精准量化分析，实现单病例量化结果的秒级输出，AI+ 医生复核总体效率是纯人工量化评估速度的数十倍。目前，该服务已成功在华为云上线。

　　但这只是其近年来研究成果的一部分，华为云在医疗 AI 领域，已经深耕许久，尤其是在医学影像领域。

　　华为云医疗 AI 布局浮出水面

　　从研究成果来看，事实上，在去年的 MICCAI 以及 MICCAI-MIML 上，华为云医疗 AI 团队已经有 3 篇论文入围，覆盖宫颈癌筛查、脑中风分割以及平片诊断报告自动生成等应用场景。

　　在近年来多个医学影像相关的 AI 挑战赛事上，华为云的技术实力也都达到了世界领先水平。

　　比如在 Grand-Challenge 胎儿超声影像头围测量比赛（HC18）上，华为云超过了香港中文大学、中国科学院、加拿大女王大学等 100 多个大学和科研机构，以 1.89mm 的平均绝对误差取得第一。

　　前段时间，我们报道了 IEEE Fellow、AI 大牛田奇加入担任华为云人工智能领域首席科学家。

　　田奇作为计算机视觉领域大牛，主导 AI 视觉方向的前沿研究，他加入之后，想必会提升华为云在计算机视觉领域的基础研究实力。

　　可以预见，在田奇加入后，华为云医疗 AI，尤其是医学影像方面，未来还会有更大的进展。

　　但不仅仅是研究，华为云还在积极探索怎样将 AI 技术快速落地。

　　过去的这几年，他们与医疗行业中的企业及医院和高校合作，为用户提供端到端的 AI 使能平台，推动 AI 应用到行业场景中。

　　2019 年 6 月，华为云与金域医学合作，在 AI 辅助病理诊断应用开发方面取得突破性进展。

　　他们训练出的宫颈癌筛查模型，在排阴率高于 60% 的基础上，阴性片判读的正确率高于 99%，同时，阳性病变的检出率超过 99.9%。

　　一举成为国际上已公布的 AI 辅助宫颈癌筛查的最高水平。而且在诊断速度上也大大提升：每例病理判读仅需 36 秒，是人工判读的 10 倍。

　　疫情期间，华为云与蓝网科技等合作伙伴，打造出了基于人工智能的医疗影像辅助诊断系统，将诊断效率从过去的 10-15 分钟变为 10-15 秒，极大地缓解了医疗压力。

　　在多年技术的积累下，华为云已经面向行业推出了企业级的医疗影像 AI 平台，支撑全流程可追溯的端到端 AI 建模，助力医疗影像 AI 更加系统、快速、安全地走向市场。

　　此外，在基因组和制药领域，华为云也有了不少布局和积累。

　　今年新冠疫情爆发后不久，华为云就与合作伙伴一起组成了联合攻关团队，基于华为云医疗智能体平台（EIHealth），针对新冠病毒的所有 21 个靶标蛋白进行计算机辅助药物筛选。

　　在短短数小时内完成了上千万次的模拟计算，并及时公开了研究结果，为全球的抗病毒研发工作提供了支持。

　　而在之前，如此大规模的计算往往需要几个月才能完成。

　　在全球抗疫形势依旧严峻的情况下，如此助力体现出了 AI 普惠的一面，这也正是华为云对其医疗 AI 的期待：

　　解决医疗领域的基础难题，通过 AI 技术转换，为人类疾病预防、诊断、治疗贡献力量。

　　而在算力、算法以及应用平台等各个方面都成熟的情况下，华为云医疗 AI 推进的速度也在进一步加快。

　　华为云医疗智能体平台（EIHealth）已经对外开放，如果你有兴趣，可以点击阅读原文访问~

　　— 完 —