当「医学影像」遇上「NIPS」：分割、分类与重构

来源：PEXELS

原文来源：Towards Data Science

作者：Isaac Godfried

「雷克世界」编译：嗯~阿童木呀

今年，我出席了NIPS医学影像研讨会，并在会议上展示了一张海报。本次研讨会的重点是将来自医学影像和机器学习社区的专家聚集在一起。总共有十一个演讲和两个海报会议。接下来，本文将着重回顾一下此次研讨会中的一些亮点，演讲和展示的海报中讨论的侧重点主要是分割、分类和/或图像重构。

分割（Segmentation）

我必须承认，在参加这个研讨会之前，我并不完全了解图像分割的价值。我的思维中总是存在这样一个问题：为什么你只想对图像中的一些东西进行勾勒，而不是对其进行分类？经过这次的研讨会，彻底改变了我对于分割价值的看法。

放射治疗

Raj Jena，剑桥大学的放射科专家、微软研究人员，在会议上发表了题为“像素完美主义——机器学习和自适应放射治疗”的演讲。在演讲中，他介绍了机器学习是如何帮助提供更好的治疗和优化工作流程的。为了让患者接受适当的放射治疗，很重要的一点是要确定肿瘤的确切边界。通过定位肿瘤和健康组织之间的确切边界，治疗过程中可以提供更多的放射诊治，因为损害健康组织的风险较小。但是，目前，分割主要是由放射科医师手动完成的。这往往会导致不同的放射科医师之间出现差异，从而显著影响治疗的结果。在衡量与放射治疗联合使用的药物的有效性方面，一致性也具有至关重要的作用，因为如果病人的放射线不一样，我们几乎不可能判断治疗效果的提高是由药物引起的还是由放射治疗导致的。

机器学习提供了获得一致性和更精确分割的机会。其次，机器学习模型往往可以在几秒钟内运行，而放射科医师通常需要几个小时进行手动分割图像。而这个时间其实可以更好地用于绘制治疗过程或诊断更多的患者。Jena还介绍了机器学习是如何让他成为“超级放射肿瘤学家”的。

图片来源于Jena的演讲，“超级放射肿瘤学家”使用机器学习不断地调整治疗方案，预测治疗效果

 

图片来源于Jena的演讲。适应性放射治疗的相关细节

机器学习可以使肿瘤学家既能更好地适应健康组织形状和大小的变化，又能帮助肿瘤学家预测放射治疗所可能带来的不良影响。例如，Jena描述了他是如何使用诸如高斯过程这样简单的方法来预测放射治疗的潜在副作用的。

关于这次研讨会，我从中受益匪浅，如果感兴趣，可以点击查看Jena的完整演讲。

构建质量数据集

在整个研讨会过程中，围绕着这样一个共同主题：注释的质量和建立良好的医学成像数据集的困难。在分割任务中尤其如此，其中模型只能像其注释者所注释的那样好，而注释者本身也应该是熟练的放射科医师。

加速注释过程的一种可能方法是通过主动学习（active learning）。IBM的Tanveer Syeda-Mahmood在讨论IBM的放射方面的研究时简要地提到了这一点。通过主动学习，我们可以从一个小标签数据集和几个专家注释者开始。机器学习算法能够足够好地去学习训练集，从而它可以自己注释简单的图像，而专家去注释那些较难的案例。具体而言，分类器得分低于确定性阈值的图像将被发送给人类以进行手动注释。其中一张海报（Girro等人展示的）也讨论了使用主动学习以帮助对语义图像分割网络进行有效的训练。

主动学习也许能解决部分问题，但是并不能完全解决质量问题。核心问题是，当专家对边界都达不成一致的情况下，研究人员该如何才能开发出精确的数据集呢？关于这一点，Bjorne Menze提出了BraTS数据集的构建。BraTS数据集是最大的脑成像数据集之一。他融合了几个不同的注释者的数据，以创建“参照标准”。自创建以来，BraTS已经面临几个不同的挑战。其中一个挑战涉及用机器学习算法分割所有的肿瘤，最近的重点是预测总体存活。

定位、检测和分类

（Localization,detection,and classification）

对医学图像中发现的疾病进行精确分类是研讨会上的一个重要课题。检测目标/ROIs并对其进行准确分类是医学成像中的一项具有挑战性的任务。这主要是由于医学图像（如x射线MRI、CT、超声波和超声图）形式和维度的多样性、图像的大小以及和分割有关的注释训练数据的有限性（有时还是低质量的）导致的，演讲者展示了克服这些障碍的各种有趣的技术。

Ivana Igsum讨论了深度学习技术在心脏成像中的应用。她特别介绍了她在准确检测动脉钙化方面的研究工作。她描述了她和她的团队是如何开发一种新方法，用以对钙化进行自动评分，并对心血管疾病风险进行分类。为了做到这一点，她的团队使用了多层CNN方法。

图片来源于Ivana Igsum的演讲

随后，Yaroslav Nikulin提出了针对数字乳腺X线摄影挑战的获胜性方法。

海报

Benjamin Huynh，Natalia Antropova和芝加哥大学的Natalia Antropova展示了一张关于使用长短期记忆网络（LSTM）进行乳房DCI-MRI分类的有趣海报。这涉及在施加对比染剂（contrast dye）之后从多个时间步中输入3D MRI图像的问题。然后他们使用CNN将这些图像中的特征提取出来，然后将其馈送给LSTM并输出一个预测。总之，这张海报呈现了使用LSTM（和CNN）处理“4d”医学影像数据的有趣应用。

我的海报聚焦于我目前的研究工作进展，使用目标探测器对胸部X射线的多个条件进行准确定位和分类。我的主要目标是调查，相较于在整个数据集上训练的多标签分类CNNs而言，目标检测算法在有限数据集上的表现如何。我认为，如果配置和训练得当的话，目标检测器在对医学图像中的疾病/状况进行定位和分类方面具有很大的潜力，然而它们受限于标签边界框数据的不足，同时，这也是我发现以下海报非常有趣的原因之一。

Hiba Chougrad和Hamid Zouaki展示了一张有趣的海报，是关于迁移学习在乳腺成像分类问题上的应用。在抽象的“用于乳腺癌筛选的卷积神经网络：伴有指数衰减的迁移学习”中，他们描述了测试若干不同的迁移学习的方法。例如，他们比较了，对在imagenet上预训练后的CNN进行微调、利用操作与随机初始化权重操作的不同。最后，他们发现最佳技术是使用伴有指数衰减的学习率对层进行微调。因此，对于最底层（即最接近softmax的层），学习率将是最高的，而对于上层而言，学习率将是最低的。由于底层倾向于学习最与数据集相关的特征，因此这种非常直观的表现是很有意义的。通过使用这些以及相关的技术，我们（希望）可以在不需要大数据集的情况下开发出精确的模型。

重构和生成（Reconstruction and generation）

Heartflow

我通常不会对那些吹嘘他们的产品有多伟大，以及它将如何“革新插入行业”的工业宣传品有多么深刻的印象。然而，Heartflow和DeepLumen血管分割算法确实给我留下了深刻的印象。该产品减少了83％的不必要的血管造影，并获得FDA批准。在这里我将不加详细讨论，但我认为Heartflow是机器学习在现实世界环境中产生影响的一个很好的示例。

其他两名主持人也提到了重构问题。Igsum的演讲（之前提到）讨论了从低剂量CT中构建常规CT的方法。帝国学院的Daniel Rueckert描述了基于机器学习的重构是如何在成像中实现更多的时间戳的。

海报

我发现有一张海报非常的有趣——MR-to-CT，它是使用循环一致生成对抗网络（Cycle-Consistent Generative Adversarial Networks）生成的。在这项研究中，作者（Wolterink等）采用通用的CycleGAN算法，并将其用于将MRI图像转换为CT图像。这是一个潜在的非常有用的应用程序，可以防止患者必须经过多个成像过程。另外，CT将患者暴露于放射之下，所以这也可能减少不必要的放射暴露。

图片来源于MR-to-CT的合成论文

还有一个Virdi等人展示的海报。使用双重生成对抗网络（Dual Generative Adversarial Networks）的合成医学图像，以及Mardani等人展示使用深度生成对抗网络压缩感知（GANCS）自动MRI。

工具和平台

在会议上，若干个发言者都谈到了新的工具，旨在使医学图像分析与机器学习更容易为临床医生和研究人员所获取。Jorge Cardoso介绍了NiftyNet，以及它是如何使研究人员更容易开发医学成像模型的。NiftyNet是建立在Tensorflow之上的，它包含许多简单易用的模块，用意加载高维输入。

 

Makkie等人的神经影像平台上的海报

另外，在工具方面，G. Varoquax展示了NILearn，一个用于神经影像数据的Python模块，它是以scikit-learn为基础构建的。就像scikit-learn试图让具有基本编程技能的人们可以接触机器学习一样，NILearn的目标就是在脑成像方面做同样的事情。唯一的与系统相关的海报来自佐治亚大学的Makkie和Liu。它专注于展示他们的用于神经影像的大脑活动平台，以及它是如何将涵盖Spark、AWS和Tensorflow在内的几种技术融合在一起的。最后，会议上还展示了DLTK工具包的海报。总而言之，一些非常有趣的工具包和平台可以帮助人们更方便地使用机器学习进行医学图像分析。

原文链接：https://towardsdatascience.com/medical-imaging-meets-nips-a-summary-43bf1b0d0c62

欢迎个人分享，媒体转载请后台回复「转载」获得授权，微信搜索「BOBO_AI」关注公众号

中国人工智能产业创新联盟于2017年6月21日成立，超200家成员共推AI发展，相关动态：

中新网：中国人工智能产业创新联盟成立

ChinaDaily：China forms 1st AI alliance

证券时报：中国人工智能产业创新联盟成立 启动四大工程搭建产业生态“梁柱”

工信部网站：中国人工智能产业创新联盟与贵阳市政府、英特尔签署战略合作备忘录

点击下图加入联盟

下载中国人工智能产业创新联盟入盟申请表

关注“雷克世界”后不要忘记置顶哟

我们还在搜狐新闻、雷克世界官网、腾讯新闻、网易新闻、一点资讯、天天快报、今日头条、雪球财经……

↓↓↓点击阅读原文查看中国人工智能产业创新联盟手册