科技前沿|医疗影像领域新突破,医准智能问鼎国际肋骨骨折检测挑战赛
2020-09-17 18:00:00 · 北京医准智能科技有限公司

备受关注的肋骨骨折AI系统技术全解析

MICCAI(Medical Image Computing and Computer Assisted Intervention)作为国际公认的医学成像计算、医疗机器人、人工智能、辅助介入、计算生物医学等领域最顶级的国际会议。自2012年起,MICCAI 开始每年面向全球举办针对医学影像分析不同领域的挑战大赛(Grand Challenge),并以强大的学术引导力,吸引了国内外顶级学府及著名医疗技术机构的积极响应和参与。

图片
图片


9月14日零点,由上海交通大学、复旦大学附属华东医院联合举办的MICCAI 2020 肋骨骨折检测与分类国际挑战赛榜单排名正式截止,挑战赛旨在通过开放数据集和挑战赛帮助开发肋骨骨折自动检测和分类系统,医准智能与来自牛津大学、香港中文大学、MD Anderson、清华大学、浙江大学、飞利浦、三星医学中心等国内外知名机构的队伍共同参赛,并以FROC=85.02%(FP= 0.5, 1, 2, 4, 8)的均值,排名检测榜第一。


MICCAI 2020 肋骨骨折检测国际挑战赛榜单


肋骨骨折的诊断是临床实践、法医以及许多业务场景中的重要且常见的任务,然而很少有针对这项劳动密集型任务进行自动化和机器学习技术方面的研究。此挑战赛首次提供大规模具有专家标注的肋骨骨折 CT 三维数据,总共包含 660 套计算机断层扫描(CT)约 5000 处骨折,数据总量高达 80Gb。其中,每一处骨折包含专家的三维像素级分割,部分骨折区域包含医生确认的骨折类型。参赛队伍将基于此次挑战赛提供的数据集开发肋骨骨折检测和分类算法。由于肋骨骨折区域通常为狭长形状,这对于深度学习算法的开发来说具有非常大的挑战。


参赛队伍需要从 CT 扫描中检测肋骨骨折的位置。由于检测目标是细长物体形状(肋骨骨折),因此要求以实例分割的方式完成检测任务,并需要将检测到的肋骨骨折分为 4 种临床类别(弯曲骨折,移位骨折,非移位骨折和节段性骨折),分类结果的评估基于 F1-score。



医准智能研发团队使用一阶段网络RetinaNet为检测网络主体, 其在精度和速度方面达到了较好的平衡,但由于肋骨骨折区域通常为狭长形状,形状范围较大,是进行任务研发的难点,因此需要在前者的基础上加入deformable卷积自适应物体的变化,仅增加了很少的模型复杂度和计算量,且显著提高了识别精度。


RetinaNet的网络结构图


由于检测模型检出的病灶假阳性较多,医准智能研发团队采用假阳性抑制策略,再次对检出的病灶进行分类,将得到的概率与检测网络的概率以一定比例配合,得出最终的结果。同时为了确定病灶的较为精确的区域,我们使用分割网络对检出的病灶进行分割,并对U-Net进行了一定修改,以便更加适应当前任务,获取更好的病灶位置。


U-Net的网络结构图


医准智能研发团队汇集深度学习、计算机视觉、自然语言处理等人工智能相关领域的高尖端算法人才,此次冲击榜首,是对医准智能研发能力特别是肋骨骨折精准检测研发能力的肯定,也是对未来医疗人工智能领域实现国际化、智能化的创新推动。


作为AI医疗影像先行者,医准智能在不断的落地实践中积累了大量实践数据,并联合专家倾注大量时间和精力对数据进行高质量标注,开发出可精准分析医疗影像的算法,并实现商业化落地。截止目前,医准智能AI系统已与全国400余家医院医生并肩作战,运用人工智能技术帮助医生为患者和社会精准高效服务。


向下 回顶部