深睿医疗携手华西医院共同打造AI+科研新高地
近日，深睿医疗与四川大学华西医院李为民教授团队合作的一篇科研成果发表在国际医学图像分析领域知名期刊《Medical Image Analysis》（MIA）(IF 8.545) 。本研究提出了一种新型的半监督医学影像检测模型（SSMD），研究证明这种新型的检测模型在医学图像精准诊断方面，尤其是病理细胞检测和肿瘤检出方面的巨大潜力，本文通讯作者为四川大学华西医院李为民教授与深睿医疗首席科学家俞益洲教授。深睿医疗长期与华西医院在多学科领域进行科研合作，产出了众多优质科研成果。
论文题目
“SSMD: Semi-Supervised Medical Image Detection with Adaptive Consistency and Heterogeneous Perturbation”
半监督学习是一种同时利用无标记和有标记数据提升模型性能的机器学习方法。近年来，半监督学习被广泛应用于医疗影像分类和分割问题中并且取得了令人满意的效果。与此同时，半监督检测却并未得到足够的重视，其主要原因是半监督检测模型的搭建过程通常比较复杂，这也导致了在此基础上进一步添加一致性约束会比较困难。
为了缓解上述问题，在该文章中提出了一种高效且简单易实现的半监督医学影像检测模型（SSMD），这种新型的SSMD模型通过正则化对应影像位置的预测内容，可以为未标记数据提供免费但有效的监督信号。为了实现上述想法，深睿研究院联合华西医院开发了一种新颖的自适应一致性损失函数来正则化预测中的不同分量。此外，我们引入了适用于特征空间和图像空间的异构扰动策略，以便于帮助提出的检测器产生鲁棒的图像特征表达和可靠的预测结果。大量的实验结果表明，所提出的SSMD在细胞检测和肿瘤检出任务上可以达到最先进的性能。
（图1）
半监督医学影像检测器 (SSMD) 的流程图。两个特征金字塔网络用于预测一致的输出。Pool of Pert. 包含有一系列的扰动策略，包括水平翻转、垂直翻转、随机旋转和对抗性扰动（记为Adv.）。值得注意的是对抗性扰动仅应用于教师网络的输入。
在输入影像上，SSMD通过对同一幅输入图像加入两组不同的噪声可以生成两幅干扰后的影像。对于这两幅输入影像，SSMD提出使用基于双深度学习网络的机器学习框架来分别处理两幅影像，其主要用于生成细胞检测或肿瘤检出的结果。由于SSMD的目标是同时利用有标记图像和无标记图像，对于有标记图像，SSMD主要使用了基于标记的有监督损失函数来帮助训练双深度学习网络进行细胞检测或肿瘤检出的预测。与此同时，即使经过不同程度的噪声干扰，两幅输入图像仍然包含相同的内容。基于上述观察，我们提出使用一致性原则来进一步约束两幅输入影像的预测结果。事实上，一致性损失主要用来约束两幅图像对应的空间位置和尺度的预测内容。在这些位置和尺度上，虽然受到不同程度的噪声影响，但是我们认为它们的预测结果应该是非常相似的甚至是一致的。
这同时也是SSMD相较于以往半监督方法的优势，即更加关注具体实例而不是分类中的整张图像或者分割中的单个像素。因此，对于有标记图像，我们除了使用基于标记的有监督损失函数还会增加一项一致性损失函数来进一步约束不同噪声影响下的预测结果。对于无标记图像，虽然我们缺乏人工标记，但是SSMD仍然可以使用一致性损失函数来训练基于双深度学习网络的机器学习框架。
（图2）
在病理细胞检测和肿瘤检出上可以有效地减少标注成本，同时性能大幅度优于之前的方法。
相较于之前的半监督检测方法，我们提出的SSMD可以在病理细胞检测和肿瘤检出上取得较大的进步。
*《Medical Image Analysis》是国际医学图像计算和计算机辅助干预协会(MICCAI)的官方期刊，创刊于1996年，关注将计算机视觉、虚拟现实和机器人技术应用于医学影像领域的科研成果，其影响因子达8.545，行业内知名专家学者关注度极高，被誉为高质量论文的衡量标尺。
四川大学华西医院在医院行业连续11年科研位列榜首、综合排名第二，有大量专业的临床积累成果，借力深睿医疗在AI领域的专业科研和转化能力，将人工智能与临床科研融合，助力华西医院持续创新突破，在呼吸专科，心脏超声、腹部肿瘤等领域的研究合作也有不错的成果产出。深睿医疗将会和更多优质的医疗机构合作，注重科研向临床转化，不断深化人工智能在医疗领域的应用，将更多的AI技术运用到临床应用，AI+医疗未来可期!
被收录文章
Zhou HY, Wang C, Li H, Wang G, Zhang S, Li W, Yu Y. SSMD: Semi-Supervised medical image detection with adaptive consistency and heterogeneous perturbation. Med Image Anal. 2021;72:102117.