推想在上海交大舉辦的MICCAI肺氣管競賽中取得國際冠軍，并合作發表論文

摘要:繼獲得MICCAI世界冠軍后,推想創新科研成果被中科院JCR1區收錄

　　近日,推想醫療先進研究院、國際醫學圖像計算和計算機輔助干預協會與上海交通大學醫療機器人研究所合作論文《多中心、多個域的氣管樹結構建模(ATM’22):肺氣管分割的公共基準》,被收錄于Medical Image?Analysis期刊(IF=13.828),在中科院JCR最新升級版分區表中,該刊分區信息為大類學科醫學1區。

　　國際開放挑戰賽正成為評估計算機視覺和圖像分析算法的事實標準。近年來,新的方法擴展了肺氣管分割的范圍,使其更接近圖像分辨率的極限。自從肺氣管分割數據:?Extraction of airways from CT (EXACT'09)?被公開后,新興算法受惠于深度學習方法的成熟和臨床驅動的啟發,也在疾病診療中發揮了越來越重要的作用。

　　但到目前為止,公開的注釋數據集仍非常有限,這妨礙了深度學習這種以數據為驅動的方法的發展和新算法的性能評估。為了給醫學影像提供一個基準,在MICCAI?2022大會期間舉行的官方挑戰賽上,主辦方(上海交大和上海交大附屬胸科醫院)組織了多中心、多領域的肺氣管樹建模比賽(ATM’22),并提供了大量具有詳細肺氣管標注的CT掃描。包括推想在內的總計23支團隊參加了整個挑戰的各個階段,?推想憑借強大的技術實力和對臨床應用的理解,獲得了該項賽事的全球冠軍。本文系統回顧了排名前十的團隊的算法,?定量和定性結果顯示,嵌入拓撲連續性增強的深度學習模型在一般性能上取得了卓越的表現。

　　01

　　亟需創新!肺氣管分割算法和數據集面臨諸多挑戰

　　深度學習方法正重塑醫學圖像分割。除了新穎的網絡設計之外,這些算法的性能很大程度上取決于訓練數據集的規模和所用注釋的臨床準確性。為了公平評估這些算法,相關人士組織了許多重大挑戰賽,重點關注多個器官,包括大腦(Mendriketal.,2015)、腹部多器官(Maetal.,2021)、心臟(Zhuangetal.,2019)、皮膚病變(Codella等人,2018)和乳腺癌(Aresta,2019)等。

　　但對于肺氣管的分割,人們的認知仍十分有限。臨床上,基于計算機斷層掃描(CT)的肺氣道精確分割,是小氣道疾病的精準診療的前提,對微創支氣管內介入治療的術前規劃和術中指導發揮著重要作用。隨著支氣管鏡的日益小型化,在機器人協助下,常規治療已經超越了第5代氣道的氣管分支結構。但由于細粒度肺氣道結構和分叉拓撲結構非常復雜,手動分割耗時、容易出錯,并且需要操作者具備較高的臨床水平和技能。因此,自動分割氣管的深度學習算法必不可少,同時相應的公平評估算法的數據集也不可或缺。

　　精細的肺氣管分割,傳統上在氣管和支氣管水平上工作,如果成像分辨率允許,理想情況下可以一直到達肺泡。然而,要獲得細粒度的氣道樹結構實際上是很困難的。主要挑戰涉及以下幾個方面。

　　挑戰1:泄漏

　　泄漏問題通常發生在小氣道分支或病變周圍區域(例如,肺氣腫和支氣管擴張)。由于管腔內強度水平高度可變,分割方法可能會泄漏到相鄰的模糊的氣道壁或軟邊界肺實質區域。

　　挑戰2:破損

　　破損現象指的是不連續的分割結果,破損情況雖然僅僅引起極小的體素級誤差,然而,在最大連通分量提取之后,拓撲結構完全改變。

　　挑戰3:魯棒性和泛化性

　　很多疾病,例如支氣管擴張、肺氣腫和COVID-19可能影響氣道形態或特征CT圖像。這種偏差屬性,會影響在干凈CT中訓練的模型推廣到噪聲CT中的使用效果。

　　挑戰4:超越逐像素提取

　　目前,氣道樹建模任務被視為像素或體素分割任務,而氣道樹建模的關鍵目的之一是輔助支氣管鏡手術的導航。然而,這兩件事之間暫時存在著差距,CT值是離散信號,CNN獲得的氣道預測也是密集的離散體積。體繪制算法是必要的獲取連續結果(例如網格)。因此,我們對未來氣道樹建模范例有一個宏偉的愿景:以離散CT掃描作為輸入并輸出連續氣道結果。

　　02

　　世界第一!推想為模型標準建設做出重要貢獻

　　本文收集并標注了來自多個國家多個中心的500份胸部CT掃描。CT掃描是收集自公共LIDC-IDRI數據集和上海胸科醫院,包括從健康人群到患有嚴重肺部疾病的患者等各式人群。并且,患者和掃描儀的信息均被手動匿名化。然后,由三位經驗豐富的放射科醫生對選定的500張CT掃描進行注釋。訓練集由300個胸部CT掃描組成,同時進行50次和150次CT掃描進行驗證和測試。

　　總計選取了四個值來評價模型的效能。Dice相似系數(DSC,%)、Precision(%),用于測量基于預測重疊和體素的分割精度。同時,拓撲完整性也是氣道分割挑戰中最關鍵的屬性。因此還定義了樹長度檢測率(TD,%)和分支檢測率(BD,%)測量算法在檢測氣道方面的性能。最終的評價指標為這四個值的平均值:

　　本次挑戰賽上,參與方包括帝國理工大學,阿里巴巴達摩院,東北大學,圣美生物公司,復旦大學,中國科學技術大學,點內科技等眾多國內外知名院校和企業。共計9個國家的23支隊伍參加了比賽,共同構建肺氣管分割數據集和模型標準。推想醫療團隊在嚴格控制運行時間和顯存占用達到應用產品級的前提下,研發出針對CTPA 影像的高效肺氣管分割算法,實現了性能-效率-成本三方面的最佳權衡,在最終的挑戰賽排行榜中,推想醫療團隊綜合排名第一。

　　因此,該論文重點介紹了冠軍團隊推想醫療的解決方案。推想(T6)團隊提出了一個精心設計的三級用于氣道分割的深度學習管道?,WingsNet(Zhengetal.,2021b)被采用為骨干架構。第一階段,網絡僅使用Dice損失和隨機扣塊采樣進行訓練策略。推想的貢獻集中在第二階段,損失函數和訓練過程都經過仔細考慮設計的。受到基于局部不平衡的權重的啟發,推想設計了通用聯合損失的一種變體(GUL),調整了權重因子,根據不同的目標大小,重點關注小氣道分支機構。從在預定義的鄰域空間內得出本地前景率wp。然后同時強調氣道的中心線附近的體素需要受到更多關注。同樣,定義了從體素的當前位置到最近的距離中心線上的體素的歐式距離的平方反比wd。綜上,最終各權重體素可以定義為w=wp+wd,損失函數定義如下:

　　其中γ、α、β分別設置為0.7、0.2和0.8。

　　最終,得出了一些有效的方法來解決共性問題,以應對肺氣道分割的挑戰。

　　解決方案1:多級解決方案

　　多階段訓練已經證明了在肺氣道分割上的優勢。首先,肺部區域提取是一種簡單而有效的硬注意力機制,可以關注相關的區域,可以應對泄漏挑戰(C1)。其次,初始訓練階段可以獲得初步預測,為后續提供有用的信息訓練階段以獲得更完整的氣道樹結構,例如硬樣本挖掘(T6)和破損注意力圖計算(T14)。

　　解決方案2:改善類內不平衡

　　提高類內辨別能力是合理應對C2破損挑戰的選擇。額外的信息可以從標注中得到,例如中心線點(T4、T6、T14)、半徑(T14)和分支的空間位置(T7)。這些額外的知識可以從幾個方面來利用改善類內歧視,如過采樣。

　　解決方案3:新穎的目標函數

　　設計強調拓撲完整性的新穎損失函數拓撲正確性有利于應對挑戰泄漏(C1)和破損(C2)、魯棒性和泛化性(C3)。例如,T4提出了一個JCAM損失函數,重點關注拓撲錯誤。T6采用了變體GUL損失迫使網絡享有連續性的信息。關注的目標函數該拓撲可以利用氣道的高級特征樹結構,可以提高算法的魯棒性和泛化能力。

　　推想在挑戰賽中所使用的技術路線,得到了國際上的廣泛認可和高度肯定。在氣管分割方向,推想已處于國際領先位置,有望引領這一技術的未來發展。

　　目前,推想醫療團隊在胸部解剖結構分割方面的技術積累重點服務于推想醫療胸部三維重建功能的研發。該功能可以實現對肺部CT中的肺動靜脈、氣管支氣管、肺葉肺段、骨骼等解剖結構的快速精準分割,進而輔助醫生的分析診斷、治療方案制定以及手術規劃導航。推想醫療近期發布的AI-4D胸部智能可視化解決方案就是基于薄層CT影像序列,將智能化的空間維度三維重建及時間維度融合,針對肺癌早期篩查、精確診斷和治療的一體化智能輔助系統。目前該系統已在多家醫院的“呼吸科”、“影像科”、“體檢科”等科室廣泛使用,無縫融入醫生日常工作流,獲得了各科室醫生的積極反饋。