【项目动态】深兰获MICCAI 2020竞赛大奖 计算机视觉有效提升CT图像诊断智能化水平
10月8日，国庆长假的最后一天，行业顶级会议“2020年国际医学图像计算与计算机辅助介入大会（MICCAI2020）”在秘鲁首都利马落下帷幕。深兰科技DeepBlueAI团队在骨折检测及分类竞赛（Rib Fracture Detection and Classification Challenge）分类赛道中，战胜了来自剑桥大学、上海交大、浙江大学等国内外名高校及多家AI医疗公司的参赛队伍，获得了第三名的好成绩。
而深兰科技早已深耕AI医疗领域，其自主研发的基于三代测序的核酸检测一体机就在防疫等卫生安全领域创造了更为便捷、高效的价值，并在今年7月举办的2020世界人工智能创新大赛产业场景应用赛（医疗方向）上获得第一。
MICCAI系列会议始于1998年，由CVRMed（计算机视觉、虚拟现实和医疗机器人）、MRCAS（医学疗器人和计算机辅助手术）和VBC（生物医学计算可视化）三个会议合并而成，第一届MICCAI大会于1998年在美国马萨诸塞州的波士顿举行，现已成为该领域首屈一指的国际会议。会议的一般主题包括医学图像计算、计算机辅助介入、导航系统和机器人、可视化和虚拟现实、计算机辅助诊断、生物科学和生物学应用、特定的成像系统和新的成像应用等。
获奖方案分享
by DeepblueAI
赛题介绍
骨折检测及分类竞赛（Rib Fracture Detection and Classification Challenge）旨在提高骨折医学CT图像的诊断智能化水平，以期改善当前骨折诊断中存在的严重依赖医生经验导致的，效率较低及存在误诊风险的问题。比赛提供3D 医疗CT数据及标注，任务分为检测（以3D分割形式实现）和分类两个方面，即识别出CT图像中的骨折区域并判断出骨折的类型（共有四种骨折类型）。检测评价指标采用FROC，分类则用Macro-average F1指标来评价。
赛题难点
由于医疗CT数据的特殊性，比赛中存在着诸多难点：
受限于数据采集及标注成本，比赛能够提供的训练数据有限；
各类骨折类型数据分布的不均衡及较高的相似性；
骨折区域形状各异，而且多呈现不规则的狭长型；
存在较多小目标骨折区域；
骨折区域的边界难以划分；
3D数据带来的巨大显存、计算压力及分析的困难。
解决方案
数据分析与增强
在常规的翻转、裁剪等3D数据增强之外，通过数据分析我们发现，CT图像中绝大部分都为背景区域，而且骨骼区域与人体其他区域具有一定的相似性。我们对CT数据设定了动态阈值使得骨骼区域特征更加突出，以便于更好地学习骨折区域的特征，同时我们还舍弃了脖颈部位及腰部区域的CT信息以减少背景区域的干扰。
3D分割
我们使用3D语义分割配合后处理的方式，来实现实现骨折区域的检测。在3D语义分割架构上，我们先后尝试了经典的3D Unet、Vnet、DeepMedic以及SkipDenseNet3D等模型，其中DeepMedic通过设计高低分辨率两个分支的方式，分别获取全局语义信息以及局部纹理信息，实现了更为优异的性能，最终被选作我们的基础架构。此外，我们在3D模型中使用空洞卷积增加感受野并引入OCM注意力模块，性能获得进一步提升。
骨折类型判断
通过对3D语义分割做适当的超参调节，我们获得了大量疑似骨折区域的候选部位，其中含有较多的误检结果，需要做进一步分类处理。由于CT数据中骨折区域分布彼此较为独立，我们对语义分割的结果做聚类、图像形态学处理及连通域提取，随即可获得骨折的实例分割结果。通过结果分析，我们舍弃了结果中过小的预测区域，同时尝试不同的测试参数配置，最终得到了一个较高的分类准确率。
总结
在本次比赛中，我们对3D CT数据做了很多探索工作，在数据的前处理及后处理上做了大量的优化，并将注意力机制引入到分割模型中，搭建了完整的3D实例分割系统，实现了对CT图像中骨折区域的检测和分类，获得了良好的分类精度。我们相信随着研究的深入，以深度学习为代表的计算机视觉技术将在医疗诊断中得到越来越多的应用。
