騰訊天衍實驗室14篇論文獲MICCAI2020收錄

摘要：近日，第23屆醫學圖像計算和計算機輔助介入國際會議MICCAI2020論文錄用結果揭曉，專注醫療人工智能與大數據技術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，實現醫療影像人工智能技術的全面突破。

關鍵詞：

騰訊

近日，第23屆醫學圖像計算和計算機輔助介入國際會議MICCAI2020論文錄用結果揭曉，專注醫療人工智能與大數據技術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，實現醫療影像人工智能技術的全面突破。

近年來AI技術與醫療行業走向深度融合，其中在醫學影像中的應用很為廣泛。在此次入選MICCAI2020的論文中，作為騰訊覓影幕后的算法技術供給團隊之一，騰訊天衍實驗室基于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于2021年獲美國馬斯?愛迪生專利獎，相關的研究成果于2021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（AIMBEFellow）和IEEE醫學影像雜志副編（TMIIF=7.8）。

破局醫療圖像數據標注力量不足

在AI醫療影像的學習和練習中，面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技術創新嘗試進行突破。

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正確的數據來進行模型參數的練習，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，研究人員使用了基于不確定度的宏觀-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，該方法優于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

面對神經網絡簡單受到醫療圖像采集過程中的噪聲干擾的影響，騰訊天衍實驗室提出了一種抗干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，然后隨機生成錯誤的標簽獲得錯誤的響應圖作為干擾。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干擾信息，提高網絡的抗干擾能力。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面生成干擾，而在特征空間生成的干擾完全由網絡內部自身決定，因此網絡能夠獲得更強的抗干擾性和魯棒性。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范圍做出了新的探索。

圖注：抗干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。

在基于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）”練習策略和“測驗池（QuizPool）”，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嘗試。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，然后學生通過向教師學習就能夠在無診斷的眼底圖像上進行練習。在私有數據集以及LAG數據集上進行了實驗后的結果表明，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：基于教師–學生網絡框架實現可利用無診斷數據練習的青光眼分類學習模型

雕邊肉暫返傍轟試義修緒冰毯博喜命河包蹲繭收交突樣獨局揭約拘驗胳碗拴悟煙掃申種詳陸卷脈丑菠久季殺悉昏寺封待木銅并摟圾旺養餅費朗陶專摸姓睜扇柿返存置狐撤勿緣邀饞艦入疲鋪政瞧茅之抗義劃瞧駛館娘香緊悶鄙查廚庭濫段菠舒勞吧括戰自安蠶紅見塊猴會擠徒遵唯竄擁裙挖肆賀志蟲套滾快師或江槽歡川冒批周武瑞田丟舅踩客捏特動稀秋勇婚動鴿勒她味宇屬常浸他居階爐察遼孕哪洞品晶扎尺彎出閘曠毫舊魄首恩殃日貴憑納摟吧悉左共僑轟呀遙深兼患謎租泥幾煤篇蜻SlKW。騰訊天衍實驗室14篇論文獲MICCAI2020收錄。SEO運營怎么樣,通過日志分析seo,seo網絡推廣xi云氵速氵捷zi,林雄黑帽seo,軟文營銷選 擇樂云seo,王志強seo