CT作為一種常見的檢查手段，相信不少老百姓均十分熟悉。而基于影像的自動分割技術能夠輔助醫生精確了解病灶的位置、大小以及與周圍血管、組織的關系，幫助疾病診斷、圖像引導手術以及醫學數據的可視化，為臨床診療和病理學研究提供可靠的依據。
當前，能否實現全自動的、精準的病灶分割是決定醫學影像在臨床使用效果的關鍵。
近年來，深度神經網絡的快速發展使得許多先進的分割方法都取得了可喜的進展。但與肝臟、心臟等器官相比，腸道腫瘤的形態、位置的變化大，因此，腸道腫瘤的自動分割任務難度高。特別是結腸癌，因病灶分布范圍大、解剖結構復雜，一直未能實現有效的病灶自動分割，這一現狀嚴重制約了腸癌精準診療人工智能的臨床應用。
▲Medical Image Analysis發表吳小劍教授團隊牽頭完成的研究成果
近日，我院結直腸肛門外科吳小劍團隊邁出了堅實的一步。他們在國際上率先實現了自主結腸癌病灶影像精準分割的人工智能臨床解決方案，源于其開發的結腸癌病灶自動精準分割的醫學影像人工智能弱監督-半監督框架(SegmentationOnlyUsesSparseAnnotations，SOUSA)。
相關研究結果在醫學影像人工智能算法頂刊MedicalImageAnalysis（IF=13.828）發表。
本研究由吳小劍教授團隊牽頭，聯合喀什地區第一人民醫院鄒小廣教授團隊、上海人工智能實驗室協作完成。
其中，文章題為“Segmentationonlyusessparseannotations:Unifiedweaklyandsemi-supervisedlearninginmedicalimages”（只使用稀疏標注的病灶分割：醫學圖像的聯合弱學習和半監督學習），吳小劍教授為最后通訊作者，喀地一院鄒小廣教授、上海交通大學張曉凡教授為共同通訊作者，我院高峰副研究員、鐘敏兒博士、孟曉春主任與喀地一院田序偉主任為共同第一作者，喀地一院馬依迪麗·尼加提主任等為共同作者。
據介紹，基于醫學影像的人工智能為腸癌個體化診療提供了巨大的可能性，已經有多項研究實現了病人的療效預測、術后復發風險評估，但這些應用無不依賴于精準的病灶分割。
此次SOUSA技術的開發在國際上首次實現了結腸癌的自動分割，為加速腸癌人工智能精準診療的臨床應用奠定了基礎。
自動化標準化的精準影像信息處理將有效地降低經濟、時間和人力成本，為精準診療的實施提供了重要的臨床依據，具備極大的臨床轉化應用前景。
▲基于CT影像的結腸癌病灶分割
本研究中，團隊在SOUSA框架中充分利用了弱監督學習和半監督學習的優勢，提高了人工智能的學習效率，減少了假陽性的預測，顯著提高了病灶分割的準確度。
▲SOUSA框架
團隊利用來自中山六院和喀地一院的923例有標注結腸癌CT影像和2670例無標注結腸癌CT影像作為SOUSA框架的訓練數據集，并利用417例結腸癌CT影像對SOUSA框架進行驗證，結果顯示其自動分割效果優于現有的弱監督和半監督學習模型。與目前最先進的方法ICT(Vermaetal.，2019)、不確定性感知(Yuetal.，2019)和自我訓練相比，SOUSA框架在每個數據比率上都達到了最佳性能。此外，當數據集的大小有限時，SOUSA框架的性能甚至與使用密集注釋的模型的性能相當。
▲對腸癌數據集使用不同方法的自動分割結果
受中山大學選派，自去年6月27日起，現任廣東省援疆醫療隊隊長、喀地一院院長、我院副院長吳小劍投身為期一年半的援疆工作。
援疆期間，吳小劍立足當地學科建設，發揮該院團隊特長，以SOUSA框架這一粵喀合作成果切實助力喀地一院發展。
