近日，第23屆醫學圖像計算和計算機輔助介入國際會議MICCAI 2020論文錄用結果揭曉，專注醫療星空人工智能與大數據蜜桃视频无码研究的騰訊天衍實驗室，共計入選14篇論文，較去年入選4篇大幅增加，研究方向涵蓋醫學影像中的分類、分割、檢測、領域自適應等應用場景，實現醫療影像星空人工智能蜜桃视频无码的全麵突破。
近年來AI蜜桃视频无码與醫療行業走向深度融合，其中在醫學影像中的應用最為廣泛。在此次入選MICCAI 2020的論文中，作為騰訊覓影幕後的算法蜜桃视频无码供應團隊之一，騰訊天衍實驗室基於醫學影像臨床應用中的多種場景，對多種機器學習方法展開了創新性研究，有望加速AI在醫療健康領域的實踐進程。
騰訊天衍實驗室負責人鄭冶楓博士，從事智能醫學影像分析多年，其發明的投影空間學習法於2011年獲美國馬斯•愛迪生專利獎，相關的研究成果於2014年結集出版《醫學影像處理的投影空間學習法：器官的快速檢測與分割》。他也是美國醫學和生物工程學會的會士（AIMBE Fellow）和IEEE醫學影像雜誌副編（TMI IF=7.8）。
破局醫療圖像數據標注力量不足
在AI醫療影像的學習和訓練中，麵對醫療圖像數據標注力量不足、醫療影像數據質量參差不齊的行業困局，如何讓有標注數據得到盡可能的使用，釋放AI在醫療圖像領域中的作用，騰訊天衍實驗室通過多種機器學習方法的蜜桃视频无码創新嚐試進行突破。
與傳統的監督學習相比，弱監督學習使用有限的、含有噪聲的或者標注不準確的數據來進行模型參數的訓練，是AI醫學影像分析工作的常用思路。在今年獲收錄的論文中，天衍實驗室提出了一種嶄新的由宏觀網絡-微觀網絡兩部分組成的弱監督框架。宏觀網絡負責學習弱標注圖像（大量）中包含的位置和區域信息，而微觀網絡則負責學習全標注圖像（少量）中包含的精細結構信息。在此框架的基礎上，研究人員使用了基於不確定度的宏觀-微觀數據流，分別利用參數滑動平均方法和不確定度指導的KL-loss來實現兩個模型的知識互通。大量的實驗結果表明，該方法優於傳統的單一半監督及弱監督方法，為更高效利用分割標注提供了新的可能。
圖注：宏觀-微觀弱監督學習方式進行眼底OCT組織分割
麵對神經網絡容易受到醫療圖像采集過程中的噪聲幹擾的影響，騰訊天衍實驗室提出了一種抗幹擾的神經元內生學習方法，利用正確的標簽生成正確的響應圖，然後隨機生成錯誤的標簽獲得錯誤的響應圖作為幹擾。在神經網絡學習中，使得兩個響應圖差異盡量變大，從而使得網絡學習到幹擾信息，提高網絡的抗幹擾能力。以往方法不同的是，本次提出的方法是在特征空間而非圖像層麵生成幹擾，而在特征空間生成的幹擾完全由網絡內部自身決定，因此網絡能夠獲得更強的抗幹擾性和魯棒性。在當前高質量標注數據資源缺乏的情況下，這一研究對提高噪聲數據價值、拓展機器學習的可用數據範圍做出了新的探索。
圖注：抗幹擾的神經元內生學習幫助醫療圖像分類
醫學影像數據標注要求高、數據收集困難，無標簽數據的使用價值及可能性亦成為AI醫療影像科研探索的新方向。
在基於深度學習的青光眼自動診斷任務上，由天衍實驗室提出的“學習教學-知識遷移（L2T-KT）”訓練策略和“測驗池（Quiz Pool）”，利用無診斷的眼底圖像來升級教師網絡，對無標簽數據在AI醫療影像中的應用做出了嚐試。該方案使教師網絡可以將無診斷的眼底圖像的信息，編碼到一個潛在的特征空間中，然後學生通過向教師學習就能夠在無診斷的眼底圖像上進行訓練。在私有數據集以及LAG數據集上進行了實驗後的結果表明，該方法能利用無診斷眼底圖像，顯著提升青光眼診斷任務的性能。
圖注：基於教師–學生網絡框架實現可利用無診斷數據訓練的青光眼分類學習模型
深度學習時代，預訓練模型在醫療影像分析中起到了至關重要的作用。然而自然圖像和醫學圖像本身存在的域間差異比較明顯，存在較大提升空間。在研究中顯示，天衍實驗室提出的模型預訓練框架Comparing to Learn (C2L)，使用70萬張完全無人為標注的放射學影像，通過比較圖像特征之間的差異性，取得了超越ImageNet使用有監督預訓練的模型表現以及其他當下最先進的自監督模型。
圖注：通過對比學習超越ImageNet預訓練的放射影像表征預訓練方式
挖掘標注數據價值
在盡可能將更多的數據用作AI學習之餘，如何實現在現有的數據標注以及算法上進一步提升AI模型訓練效果亦十分重要。
醫學影像通常由多位專家或醫生進行標注，然後利用多人標注取平均或者多數表決的形式對最終的金標準標簽進行判定。當標注結果用於AI模型訓練時，通常僅使用最終的金標準標簽，金標準標簽以外的原始數據標注的價值往往被忽略。天衍實驗室在《基於多標注一致性的難例感知青光眼分類模型開發》中提出了一個新的基於深度學習的模型框架，利用原始的多專家標注來提升青光眼分類性能，同時也通過不同專家對每個圖像標注結果的一致性或者不一致性，對該圖像屬於簡單案例還是困難案例做出預測。這一研究也有望提升醫生在臨床診斷中的分析效率及準確率，提醒醫生對困難案例進行特別關注。
圖注：基於多標注一致性的難例感知青光眼分類模型
在醫學影像分析的目標區域分割任務中，通常使用人工標注作為模型學習模仿的對象。盡管分割目標的大部分區域相對容易標記，但由於邊界不明確和部分容積（partial volume）效應等原因，不同組織交界的邊緣區域通常難以處理，該區域的硬標簽可能具有相當的不確定性，現有的邊緣檢測算法也不能很準確地定位和貼合物體的真實邊緣，這種不確定性又會進一步影響訓練後的模型的性能。
在獲收錄的論文《用於醫學影像分割的超像素引導標簽軟化》中，天衍實驗室提出了基於超像素（superpixel）的標簽軟化蜜桃视频无码，根據超像素中體素到標注邊界的距離來軟化該區域中的標簽，使用軟化後的標簽與原本的硬標簽一起訓練分割模型。在《邏輯細化網絡：提取精細邊緣的邊緣檢測器》一文中，研究人員設計了一個邏輯細化網絡和邏輯閥操作函數（基於分割圖和邊緣圖之間的邏輯關係設計而成）。該方法可將物體檢測結果（即分割圖）和第一階段較為粗糙的邊緣檢測圖，通過邏輯閥操作函數作用在原始圖像上並輸入到邊緣細化網絡中，網絡通過層層強化物體邊緣位置、細化邊緣圖，最終輸出準確精細的邊緣圖。實驗結果表明，上述方法能有效地在原有的硬標簽和邊緣檢測算法基礎上，提升AI網絡對2D和3D醫學影像進行邊緣檢測的性能。
圖注：邏輯細化網絡：提取精細邊緣的邊緣檢測器
AI醫療影像蜜桃视频无码加速科研應用落地
作為“騰訊覓影”背後的蜜桃视频无码提供者，天衍實驗室的研究與創新不斷拓展AI醫療蜜桃视频无码發展的邊界，同時也正逐步推動研究成果落地到臨床研究和應用實踐裏。
今年暴發的新冠肺炎疫情期間，天衍實驗室運用AI大數據蜜桃视频无码，在科技抗疫的應用中表現亮眼。騰訊天衍實驗室主任鄭冶楓表示，騰訊健康小程序抗疫專區上線的15個工具中，天衍實驗室參與了5項，包括疫情知識問答、患者同小區、發熱自查、發熱門診、口罩攻略。在疫情問答中，天衍實驗室利用自研LTD-BERT模型識別用戶意圖，把推理速度提高了40倍，精準地給用戶提供疫情信息。
而在新冠肺炎CT輔助診斷產品的研發上，克服數據量不足、標注力量不夠等問題，天衍實驗室采用魔方自監督學習方式訓練模型，在小數據集上進行微調，就肺炎/非肺炎、病毒性肺炎/非病毒性肺炎做分類。疫情期間騰訊覓影AI輔助診斷新冠肺炎的解決方案落地武漢大學中南醫院，基於強大的蜜桃视频无码支撐，在患者CT檢查後最快2秒就能完成AI模式識別，1分鍾內即可為醫生提供輔助診斷參考，在兩個月內累計助力湖北多家醫院為24000多名患者進行了肺部CT診斷工作。
騰訊覓影在眼底疾病篩查的應用尤為具有廣泛的社會意義，能夠彌補基層眼科醫生短缺的短板，讓低成本的眼底檢查在社區和基層普及開來。目前，該係統已和全國30多家醫院聯合進行驗證，並在廣東、廣西、山東等省市基層醫療係統試點，相信受益的人群一定會越來越多。
星空人工智能蜜桃视频无码網 倡導尊重與保護知識產權。如發現本站文章存在版權等問題，煩請30天內提供版權疑問、身份證明、版權證明、聯係方式等發郵件至1851688011@qq.com蜜桃AV无码一区二区三区將及時溝通與處理。！：首頁 > 新聞 » 騰訊天衍實驗室14篇論文獲MICCAI 2020收錄