模糊边界的语义/实例分割问题

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。在临床上，分割方法使能临床辅助决策、术前规划、肿瘤动态监控等任务，具有极高的临床使用价值。  

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：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作为国际公认的跨医学影像计算(MIC)和计算机辅助介入 (CAI) 两个领域的顶级综合性学术会议。不仅具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。

基于医生手工勾勒或者传统软件勾勒的方法耗时耗力或者方法泛化能力差，基于深度学习的方法在医疗图像分割问题上展现优异的分割性能，但是由于医疗设备成像原因（成像伪影），器官病灶本身构造原因（器官病灶内部体液、肌肉间隔，相邻器官病灶边缘界定不清晰）等诸多原因，导致器官病灶等待分割物体边缘不清晰，已有深度学习的方法无法较好解决以上问题。 

针对上述问题，华为云和华中科技大学提出了2种解决方案，分别利用图像的不连续性信息及方向场信息，对现有网络进行改造，实现边界精准分割，可极大提高病灶区域或器官图像的分割精度，助力医生对疾病的诊断和治疗。 可以看出这两种方案，每一个都展示出了超越传统方法的效果。

AI+医疗，华为云秀前沿成果

论文一：业界首次阐述区域内（如器官病灶等）不连续性对区域边界分割问题的影响，并提出解决方案

已有分割方法在区域不连续位置通常分割效果较差，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，如图1b所示。针对以上问题，华为云EI医学影像团队联合华中科技大学首次阐述区域内不连续问题导致边缘分割不准确这一概念，并提出一种简单而有效的解决方法：提升不连续位置的注意力，具体为应用一个边缘检测器（Scharr Filter等，效果图如图1c）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，算法框架如图2所示，识别效果图如图1d所示。

 本文方法在三种医学图像分割任务（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）上进行了全方位验证，相比于已有基线方法，DICE分别提升0.68个点，1.09个点，0.8个点（如图3a和c），并在心脏分割迁移任务上Cardiac500->ACDC提升了5.1个点（如图3b）。

    为了进一步说明本文方法解决区域内不连续性问题的有效性，华为云分析了Cardiac500数据集中2645个测试样本的DICE分布，本文方法完全消除了DICE小于0.8的样本（基线方法有13个样本低于0.8），如图4所示。        

        

论文二：利用方向场进行语义像素级关联，维持解剖学结构，实现边界精准分割

（1）在MRI成像过程中，磁场不均匀或脏器运动等原因产生的MRI伪影常常使得目标边界模糊；（2）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，如图7所示；基于以上问题，华为云医疗AI团队联合华中科技大学提出了一种通过学习方向特征图，强化像素间语义级关联，该方法通过增加类间距，缩小类内距，维持物体解剖学结构，实现高精度的边缘分割。具体为1）通过UNET学习初始分割效果图；2）基于UNET主干通过DF模块学习每个像素的方向场的强度信息和方向信息；3）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；4）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，如图5所示。

本文所提的模型简单、有效，并且可以灵活地添加到任何现有的分割网络中，且基本不会增加推理时间开销。在心脏分割ACDC（Automatic Cardiac Diagnosis Challenge Dataset）数据集，本文方法表现出良好的分割以及泛化性能（分割效果如图7）；相比已有的方法，本文方法DICE提升1.3个点，并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，如图6所示。