近日，第23届医学图像计算和计算机辅助干预国际会议（The 23th Medical Image Computing Computer Assisted Intervention，MICCAI 2020）论文录用结果公布，深睿医疗再创新纪录，8篇科研成果被收录，这些全球领先的科研成果，对于近一步提升Dr.Wise系列产品性能具有积极意义。
不久前，深睿医疗8篇科研论文被国际学术会议IEEE CVPR、ISBI收录，其中四篇被选为oral，彰显出深睿研究院在计算机视觉领域尤其是医疗影像方向的强大科研实力。这次又有8篇科研成果被MICCAI 2020收录，这些科研成果在以下领域实现了创新性突破：3D神经网络预训练、医学影像血管自动提取、乳腺X射线的良恶性分类、脑中线相关的病理特征、自动化精准分割、手术器械分割等，全面体现了深睿医疗在AI算法领域持续创新能力，多维度赋能医疗AI产品研发。
虽然处于全球疫情防控的特殊时期，作为跨医学影像计算(MIC)和计算机辅助介入 (CAI) 两个领域的综合性学术会议MICCAI 2020的投稿热度并没有降低，与2019年投稿量持平，累计收到1800余篇投稿。今年共收录文章543篇，录取率为30%。MICCAI收录的前沿科研成果代表了医学影像分析领域的前沿热点风向标，引领该领域的未来发展方向。
钻坚研微 磨砺以须
今年被收录的一篇题目为“Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices”的论文，是继被MICCAI 2019收录的一篇科研成果基础上，又进一步在病灶检测算法方面取得的新突破。
2020年，新冠肺炎疫情在我国引发了一场重大公共卫生事件，深睿医疗的Dr.Wise®肺部疾病智能解决方案（新冠肺炎增强版）在疫情至暗时刻以科技的力量赋能医生。这款产品的前身Dr.Wise®全肺AI医学辅助诊断系统是一款基于胸部CT成像的全征象多病种的AI辅助解决方案，MICCAI2019收录的科研成果，正是这款全肺产品的核心算法之一。当有不可预测的危机到来之时，这些储备的科技力量，发挥了不容忽视的作用。
在强大的全肺产品基础上针对新冠肺炎征象进行强化后，这款产品就迅速披挂上阵，以稳定、精准的表现成为医生手中战疫利器。在工信部科技司指导下的“肺炎AI影像辅助诊断产品评测”中更是表现优异，获得荣誉证书。人工智能在这次疫情中发挥了重要作用，而这些产品的底层技术支撑正是这些高精尖的算法。
在今年的工作中，科研团队提出一种通用的使用大规模有标注的2D自然图像数据集进行有监督的3D神经网络预训练的方法，同时基于深度可分离卷积对3D卷积操作进行加速。去年的工作通过一种多视角目标检测网络来融合多种窗宽窗位下的图像信息，在NIH DeepLesion数据集上将4个假阳性下的识别准确率从84.37%提高到91.30%，今年采用新方法后识别精度进一步提升到了92.45% ，达到目前最好的效果。算法上任何细微的提升，对改善产品性能有很大的促进。钻坚研微，正是这种精益求精的科研态度，让医疗人工智能更加值得“信任”！
图一：处理关键帧上病灶检测的MP3D-FPN网络的网络结构图。MP3D主干网络使用大规模有标注的2D数据集预训练得到
智能提取 赋能临床
心脑血管疾病是一种严重威胁人们健康的常见疾病，利用血管造影影像（CTA）进行血管重建和分析对于及时发现风险具有十分重要的意义，其中血管中心线的提取对辅助诊断、治疗和手术规划尤为重要。然而对大多数血管造影影像进行重建时，人工中心线的提取最快也要数小时才能完成。因此研发自动或半自动的中心线提取方法显得异常关键。
MICCAI 2020收录的关于深睿医疗血管CTA的科研成果已运用在Dr.Wise®头颈CTA AI医学辅助诊断系统中，利用人工智能技术对血管CTA自动重建、判读，成为医疗AI辅助诊断产品体系中落地速度最快的产品之一。
今年MICCAI收录的这篇题目为 “Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction”的文章，主要探讨由于血管尺度多样性、拓扑结构变化大等特点，基于卷积神经网络（CNN）难以直接学习出血管的全局结构信息，导致血管分割不全、中心线提取断裂等问题。论文中揭示了一种新的研究成果，将血管的局部细节特征表达和全局结构特征表达联合起来，共同指导血管中心线的自动提取。
首先，利用3D CNN网络学习血管局部细节特征，用于分割出血管的轮廓图以及回归出血管热力图，用来表达血管中心线走势。然后将血管分割的结果抽象成血管树，并学习血管树的全局结构信息，得到不同血管分支的类别信息。最后利用血管热力图和血管分类信息共同引导修复断裂处的中心线。进而优化产品临床应用表现，更好的为产品提供技术支撑。
图二：基于深度学习技术的血管局部细节特征和全局结构特征的混合表达，共同指导血管中心线的自动提取，保证血管的连续性和完整性
以追求极致的科研态度打磨产品，不断将科研成果应用在临床实践中，促进人工智能前沿科技在医疗领域的快速落地，已成为智慧医疗发展的必然要求。
在另外六篇被收录的科研论文中，从临床实际出发，以解决临床问题为目标，分别在不同的研究方向上取得新的突破，包括：在乳腺X射线的良恶性分类中，构建双侧残差生成对抗模型（BR-GAN），确定病灶区域，从而提高分类效果；在脑中线相关的病理特征诊断中，首次提出连续性约束损失，对不符合脑中线先验分布的预测点进行惩罚，取得了最优异的评测性能，提升脑卒中类AI产品脑中线提取能力；在骨龄评估任务中，设计一种适用于TW3等计分法的两阶段的深度学习训练框架，分治的解决标注噪声和影像歧义性问题，有效提高骨龄产品的评估准确度。
在结直肠癌诊断中，通过全新的网络模型，提升了对不同尺寸和形状息肉的分割准确性。在CT重建过程中层厚是一个重要的参数，利用一种多分支渐进式神经网络，尤其在薄层图像获取上，有效提升了病灶、细微结构的重构效果；以及在手术器械分割中，通过融合多种线索生成锚点作为手术器械和背景组织的伪标注，在不使用任何人工标注的情况下取得了0.71 IoU 和0.81 Dice的效果。该些成果对于推动解决临床所面临的痛难点问题，提升医疗诊断效率具有重要意义，真正实现了AI赋能临床。
人工智能是一门以数据为基础的科学，在医疗领域的复杂应用环境下，人工智能算法研究要以场景为核心，不断进行深度优化，此次被收录科研成果正是深睿研究院基于临床实践，满足临床应用的创新表现。深睿研究院是深睿医疗探索AI医疗算法领域核心技术团队，团队成员大多来自北京大学、中国科学院、斯坦福大学等国际知名院校的博士、硕士，目前承担了科技部、国自然及全国各大城市多个重大专项科研项目，与国家相关部门，各大高校科研团队及国内顶级医疗机构进行深入合作，在各类学术期刊发表论文累计影响因子已达到140。未来，深睿医疗将立足医疗领域，通过不断探索不同场景下AI算法，为更多疾病诊断进行智慧赋能。
文章目录：
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices.
Shu Zhang, Jincheng Xu, Yu-Chun Chen, Jiechao Ma, Zihao Li, Yizhou Wang, Yizhou Yu.
Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction
Jiafa He, Chengwei Pan, Can Yang, Ming Zhang, Yang Wang, Xiaowei Zhou, Yizhou Yu
BR-GAN: Bilateral Residual Generating Adversarial Network for Mammogram Classification
Churan Wang, Fandong Zhang, Yizhou Yu ，Yizhou Wang
Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation
Shen Wang, Kongming Liang, Yiming Li, Yizhou Yu, Yizhou Wang
Towards Robust Bone Age Assessment: Rethinking Label Noise and Ambiguity
Ping Gong, Zihao Yin, Yizhou Wang, Yizhou Yu
Adaptive Context Selection for Polyp Segmentation
Ruifei Zhang, Guanbin Li, Zhen Li, Shuguang Cui, Dahong Qian, Yizhou Yu
Multi-stream Progressive Up-sampling Network for Dense CT Image Reconstruction
Qiuyue Liu, Zhen Zhou, Feng Liu, Xiangming Fang, Yizhou Yu, Yizhou Wang
Unsupervised Surgical Instrument Segmentation via Anchor Generation and Semantic Diffusion
Daochang Liu, Yuhui Wei, Tingting Jiang, Yizhou Wang, Rulin Miao, Fei Shan, Ziyu Li
