基于深度学习的放疗靶区自动勾画

腾讯医疗AI实验室又有新研究。

这次跟美国加州大学合作，在国际权威期刊《Medical Physics》发表最新研究成果：

《器官神经网络：深度学习用于快速和全自动整体头颈危及器官靶区勾画》

AnatomyNet: Deep Learning for Fast and Fully Automated Whole-volume Segmentation of Head and Neck Anatomy

该研究成果能让AI在头颈等重要器官的放射治疗规划中，发挥精准规划作用，最大限度将放射剂量集中在靶区内，而周围正常组织或器官少受或免受不必要的伤害。

比起单纯依靠人类医生，可以提升诊疗规划效率，降低勾勒时长，还能提升勾画准确率。

可以说是患者福音，医生益友。

基于深度学习的放疗靶区自动勾画

这个研究是这样的：

每年有超过六十万人被诊断患有头颈部癌症，其中许多人选择接受放射治疗。

但头颈部重要器官比较集中，解剖关系复杂，如果在治疗前未仔细隔离，放疗时周围组织可能会严重受损。

在头颈癌放疗过程中，医生根据患者CT图像手动描绘放疗靶区和危及器官（Organ at Risk，OaR），目的是最大限度将放射剂量集中在靶区内，而周围正常组织或器官少受或免受不必要的伤害。

然而勾勒过程非常耗时，降低诊疗效率的同时，更是耽误了患者的治疗时间。

若能让AI帮助分割过程，辅助放疗规划，肯定能协助医生、帮助患者。

于是围绕该问题，腾讯医疗AI实验室和加州大学提出一种深度学习模型——器官神经网络（AnatomyNet）。

该模型可以快速地对整张CT的所有切片进行全自动化器官分割（Segmentation），在小于1秒钟的时间内完成一整幅头颈CT的危及器官勾画，大幅度提升放疗靶区勾画效率。

器官神经网络的输入是头颈CT图像的所有切片。该神经网络可以一次性产生所有危及器官的预测结果。

具体构建上，器官神经网络基于常用的三维U网络（U-net）架构，但是腾讯AI实验室在三个重要的方面对其进行了扩展：

1）一种新的在整幅CT图像上进行自动分割的编码方式，而不是在局部图像块上，或者一部分CT图像切片上分割；

2）在编码层中，加入三维Squeeze-and-Excitation残差结构来进行更好的特征表示学习；

3）一种新的结合Dice损失和Focal损失的损失函数，用来更好地训练该神经网络。在深度学习的器官分割中，使用这些技巧解决两个主要的挑战：a）小器官的分割（比如，视神经和视交叉）。这些小器官仅仅只有几个切片。b）对于一些器官结构，数据标注不一致以及标注缺失给训练造成一些问题。

△器官神经网络危及器官分割结果

如上图所示，其中绿色为医生标注，红色为器官神经网络预测结果，黄色表示标注和预测重合，结果显示高度一致。

从下面的动态图上，可以更清晰看到器官神经网络预测和医生标注的连续过程，其中左边显示的是医生标注，右边显示的是器官神经网络预测结果。

从结果上说：和之前MICCAI竞赛中最好的方法相比，器官神经网络平均提升了3.3%的Dice指标。

器官神经网络仅仅使用0.12秒就可以完全完成一整幅CT图像（178×512×512）的分割。

该速度极大地缩短了之前方法所用的时间（20分钟以上）。

除此之外，该模型可以处理一整幅包含所有切片的CT图像，以及一次性勾画所有的危及器官，不需要很复杂的预处理以及后处理。

这证明，深度学习可以提升器官分割准确率，简化自动分割器官的流程。

国际权威期刊刊发

腾讯医疗AI实验室和加州大学的联合研究成果，首刊于《Medical Physics》，这是是美国医学物理学家学会（The American Association of Physicists in Medicine，AAPM）的官方期刊。

该研究成果在期刊上发表后，目前已经被多个机构引用。

美国德克萨斯大学MD安德森癌症中心（MD Anderson Cancer Center）对腾讯医疗AI实验室的“器官神经网络”表示关注，并把该研究成果作为中心一项大规模研究的重要部分。

该中心在美国乃至全球皆享誉盛名，多次被评为美国最佳癌症研究机构，也是公认的全球最好的肿瘤医院。

此外，论文一经发布，很快被加拿大瑞尔森大学、中国中科院等多家机构学者在其研究报告中被提及和引用，作为最新的研究突破获得国内外认可。

一旦更多研究机构和人力参与其中，规模化落地速度可能也会加快，实乃人类福音。

腾讯医疗AI实验室

最后，简单介绍下腾讯医疗AI实验室。

这是腾讯专为医疗领域打造的AI实验室，创建于2017年年底，目前在硅谷、北京、深圳设立了三个分支。

其作为腾讯医疗健康领域众重要技术驱动，腾讯AI实验室主要以学术研究层面发力，希望在AI医学前沿领域取得突破。

实验室的主要研究方向是基于自然语言理解、医学知识图谱、深度学习、医疗影像、贝叶斯网络、多模态分析等基础技术构建医学知识引擎、医疗推理引擎、临床辅助诊断引擎、问诊对话引擎等智能平台。

更早之前，腾讯医疗AI实验室已推出帕金森病运动功能智能评估系统，其他主要产品还包括临床辅助决策支持系统，面向脑卒中、急性冠脉综合症等高危易误诊疾病提供临床辅助决策支持，以及心电图智能分析软件，利用AI技术实现心电图监测结果的自动判读和预警等。

今年7月，腾讯医疗AI实验室还有3篇论文分别被KDD 2018、SIGIR 2018、COLING 2018三个国际顶尖学术会议收录，论文的主要研究方向为医疗知识图谱中实体关系的发现和应用。