寧波材料所在基于人工智能技術(shù)的醫(yī)學(xué)影像輔助疾病診斷研究方面取得新進(jìn)展
第25屆醫(yī)學(xué)圖像計(jì)算與計(jì)算機(jī)輔助干預(yù)國(guó)際權(quán)威會(huì)議MICCAI 2022，將于2022年9月18日至22日在新加坡世界會(huì)議中心舉行。近期，中國(guó)科學(xué)院寧波材料技術(shù)與工程研究所智能醫(yī)學(xué)影像團(tuán)隊(duì)分別以“Unsupervised Lesion-Aware Transfer Learning for Diabetic Retinopathy Grading in Ultra-Wide-Field Fundus Photography”和“NerveFormer: A Cross-Sample Aggregation Network for Corneal Nerve Segmentation”為題的相關(guān)研究被該會(huì)議接受錄用。第一作者分別為碩士研究生白艷苗和陳佳玉同學(xué)，趙一天研究員和張炯副研究員為論文通訊作者。
根據(jù)世界衛(wèi)生組織2019年10月發(fā)布的《世界展望報(bào)告》，全球有超過4.18億人患有青光眼、糖尿病視網(wǎng)膜病變（DR）、老年性黃斑變性（AMD）或其他可致盲的眼病。早期眼疾患者通常意識(shí)不到無癥狀病情的加重，因此利用眼底圖像對(duì)眼部疾病進(jìn)行早期篩查具有重要的臨床意義。近年來，由于深度學(xué)習(xí)強(qiáng)大的性能，在相關(guān)應(yīng)用中越來越受歡迎，例如病變分割、生物標(biāo)志物分割、疾病診斷和圖像合成等。
在“Unsupervised Lesion-Aware Transfer Learning for Diabetic Retinopathy Grading in Ultra-Wide-Field Fundus Photography”中研究人員探索了基于一種新的眼底照片-超廣角眼底彩照（UWF）的糖尿病視網(wǎng)膜病變自動(dòng)診斷算法研究。UWF相比于30°-60°的傳統(tǒng)彩色眼底圖像（圖1A），它的成像范圍可以一次性達(dá)到200°，可覆蓋80%的眼底區(qū)域，成像速度快，并且一些已發(fā)表的臨床文章證明了UWF圖像在糖尿病視網(wǎng)膜病變等相關(guān)眼底疾病方面的診斷相比傳統(tǒng)彩色眼底圖像擁有更大的優(yōu)勢(shì)。但可用于深度學(xué)習(xí)訓(xùn)練的高質(zhì)量的專家標(biāo)注的UWF數(shù)據(jù)仍然非常稀缺，智能醫(yī)學(xué)影像團(tuán)隊(duì)構(gòu)建了一個(gè)包含904張具有圖像級(jí)標(biāo)簽的圖像，并針對(duì)該問題搭建了一個(gè)僅使用少量無標(biāo)注的UWF圖像在無監(jiān)督訓(xùn)練的情況下，利用傳統(tǒng)彩色眼底圖像的輔助進(jìn)行糖尿病視網(wǎng)膜病變自動(dòng)診斷的模型。此外，研究人員考慮到在真實(shí)的臨床場(chǎng)景中，人類專家通過觀察病變的詳細(xì)特征來進(jìn)行DR診斷?；诖?，他們提出了一種無監(jiān)督病變感知遷移學(xué)習(xí)框架（ULTRA），如圖2。該模型由3部分組成，首先由病灶生成模塊處理UWF圖像從而輸出與DR相關(guān)的病灶特征，如圖3所示。同時(shí)在框架中嵌入了一個(gè)病變外部注意模塊（LEAM），通過LEAM及時(shí)將中間層不同層次的病灶信息嵌入到分級(jí)模塊中。最后，由一個(gè)基于ResNet-50的分級(jí)模塊，在先驗(yàn)病灶知識(shí)的輔助下對(duì)UWF圖像的糖尿病視網(wǎng)膜病變做出精準(zhǔn)的自動(dòng)診斷。大量實(shí)驗(yàn)結(jié)果表明，所提出的方法優(yōu)于目前最先進(jìn)的方法，并獲得了一個(gè)令臨床醫(yī)生在分類性能和可解釋性方面均滿意的自動(dòng)診斷模型。
在“NerveFormer: A Cross-Sample Aggregation Network for Corneal Nerve Segmentation”中智能醫(yī)學(xué)影像團(tuán)隊(duì)提出了一種新的基于活體角膜共聚焦顯微鏡圖像的（in Vivo Cornea Confocal Microscope, CCM）角膜神經(jīng)分割方法，稱為NerveFormer網(wǎng)絡(luò)，整體結(jié)構(gòu)如圖4所示。其中所用到的CCM設(shè)備以激光為光源，具有分辨率高、圖像清晰、無創(chuàng)傷性等優(yōu)點(diǎn)，并可用于觀察視網(wǎng)膜上皮完整的早期病變，因此廣泛用于目前的角膜神經(jīng)圖像研究領(lǐng)域。在CCM模態(tài)的圖像基礎(chǔ)上，該研究提出的基于深度學(xué)習(xí)的算法模型（NerveFormer）旨在解決角膜神經(jīng)圖像分割任務(wù)中存在的分割斷裂不連續(xù)、背景細(xì)胞干擾兩大問題。整體方法設(shè)計(jì)基于ResNet34框架，并加入了中間部分核心的DEAM模塊。其中，DEAM包含了TDA和TEA兩個(gè)子模塊。TDA用于高效學(xué)習(xí)單個(gè)樣本的特征，TEA用于學(xué)習(xí)外部樣本的特征。該方法在已經(jīng)公開的角膜神經(jīng)數(shù)據(jù)集（CORN-1）上得到了充分驗(yàn)證，實(shí)驗(yàn)結(jié)果如圖5所示，表明NerveFormer在角膜神經(jīng)圖像中已獲得了不錯(cuò)的分割效果。
此外，角膜神經(jīng)的分割為后續(xù)量化評(píng)估（如角膜神經(jīng)彎曲度分級(jí)、角膜神經(jīng)長(zhǎng)度、角膜神經(jīng)密度等）提供基礎(chǔ)。而量化評(píng)估對(duì)于后續(xù)眼部疾病（如感染性角膜炎、干眼病、圓錐角膜、糖尿病周圍神經(jīng)病變等）診斷和治療帶來很大便捷。因此角膜神經(jīng)分割工作對(duì)于眼科臨床方面的輔助治療具有重要意義。
這些論文代表了醫(yī)學(xué)圖像分析領(lǐng)域最新的科研進(jìn)展，全面體現(xiàn)了研究團(tuán)隊(duì)在AI算法領(lǐng)域的持續(xù)創(chuàng)新能力，對(duì)于推動(dòng)解決醫(yī)療健康行業(yè)面臨的痛點(diǎn)難點(diǎn)，提升醫(yī)療診斷效率具有重要意義。
以上工作得到了中國(guó)科學(xué)基金國(guó)家自然科學(xué)基金（62103398）、浙江省自然科學(xué)基金（LR22F020008）、中科院青年創(chuàng)新促進(jìn)會(huì)（2021298），寧波市重大科技任務(wù)項(xiàng)目（2021Z054）等項(xiàng)目的資助。
圖1 （A）傳統(tǒng)彩色眼底圖像，（B）超廣角圖像（UWF）及兩者的成像范圍
圖2 無監(jiān)督病變感知遷移學(xué)習(xí)框架
圖3 UWF圖像的病灶特征圖
圖4 NerveFormer網(wǎng)絡(luò)
圖5 對(duì)比方法預(yù)測(cè)結(jié)果圖
?。ㄡt(yī)工所 張炯）