每年有超過六十萬人被診斷患有頭頸部癌癥，其中許多人選擇接受放射治療。 但頭頸部重要器官比較集中，解剖關系復雜，如果在治療前未仔細隔離，放療時周圍組織可能會嚴重受損。?

騰訊醫療 AI 實驗室和美國加州大學合作，正在探索人工智能（AI）如何幫助分割過程，輔助放療規劃。近日聯合在國際權威期刊《Medical Physics》發表最新研究成果——《器官神經網絡：深度學習用于快速和全自動整體頭頸危及器官靶區勾畫》（AnatomyNet: Deep Learning for Fast and Fully Automated Whole-volume Segmentation of Head and Neck Anatomy）。?

在頭頸癌放療過程中，醫生根據患者 CT 圖像手動描繪放療靶區和危及器官（Organ at Risk，OaR），目的是最大限度將放射劑量集中在靶區內，而讓周圍正常組織或器官少受或免受不必要的傷害。然而，勾勒過程非常耗時，降低診療效率的同時，更是耽誤了患者的治療時間。

該研究提出一種深度學習模型——“器官神經網絡（AnatomyNet）”，可以快速地對整張 CT 的所有切片進行全自動化器官分割（Segmentation），在小于 1 秒鐘的時間內完成一整幅頭頸 CT 的危及器官勾畫，大幅度提升了放療靶區勾畫效率。研究成果一經發表，就引起國際領域內廣泛認可，目前已被引用多次。與合作醫院的臨床測試表明，AI 靶區勾畫能夠大幅度減少醫生工作時間，同時提升勾畫準確率。

研究成果獲國內外肯定

《Medical Physics》是美國醫學物理學家學會（The American Association of Physicists in Medicine，AAPM）的官方期刊，該研究成果在期刊上發表后，目前已經被多個機構引用。?

美國德克薩斯大學 MD 安德森癌癥中心（MD Anderson Cancer Center）對騰訊醫療 AI 實驗室的“器官神經網絡”表示關注，并把該研究成果作為中心一項大規模研究的重要部分。該中心在美國乃至全球皆享譽盛名，多次被評為美國最佳癌癥研究機構，也是公認的全球最好的腫瘤醫院。?

此外，論文一經發布，很快被加拿大瑞爾森大學、中國中科院等多家機構學者在其研究報告中被提及和引用，作為最新的研究突破獲得國內外認可。

“器官神經網絡”為何廣受關注？

在放射治療過程中，醫生需要基于患者 CT 圖像勾畫出危及器官，而一個標準的 CT 圖像包含上百張切片，醫生需要單獨在每個切面中勾畫出危及器官的位置，手動描繪非常耗時。一般來說，根據醫生熟練程度，大概需要幾個小時的時間。

自動危及器官分割技術可以同時減少治療計劃所占用的時間，以及提高治療計劃的質量。現有的器官自動分割主要使用基于模板的技術。這類技術盡管需要復雜的技術來創建模板，但是不能夠充分地對病人之間的差異進行建模。需要時間超過 20 分鐘。

騰訊醫療 AI 實驗室研究團隊提出器官神經網絡（AnatomyNet）深度學習方法，可以對頭頸 CT 圖像進行危及器官分割。器官神經網絡的輸入是頭頸 CT 圖像的所有切片。該神經網絡可以一次性產生所有危及器官的預測結果。

器官神經網絡的構建是基于常用的三維 U 網絡（U-net）架構，但是騰訊 AI 實驗室在三個重要的方面對其進行了擴展：

1. 一種新的在整幅 CT 圖像上進行自動分割的編碼方式，而不是在局部圖像塊上，或者一部分 CT 圖像切片上分割；

2. 在編碼層中，加入三維 Squeeze-and-Excitation 殘差結構來進行更好的特征表示學習；

3. 一種新的結合 Dice 損失和 Focal 損失的損失函數，用來更好地訓練該神經網絡。

在深度學習的器官分割中，使用這些技巧解決兩個主要的挑戰：

a. 小器官的分割（比如，視神經和視交叉），這些小器官僅僅只有幾個切片；

b. 對于一些器官結構，數據標注不一致以及標注缺失給訓練造成一些問題。

▲?圖1：器官神經網絡危及器官分割結果

圖 1 為器官神經網絡危及器官分割結果，其中綠色為醫生標注，紅色為器官神經網絡預測結果，黃色表示標注和預測重合，結果顯示高度一致。

從圖 2 的動態效果圖上，可以更清晰地在三維 CT 所有切片上看到器官神經網絡預測和醫生標注的比較，其中左邊顯示的是醫生標注，右邊顯示的是器官神經網絡預測結果。

▲?圖2：動態效果圖

從結果上說：和之前 MICCAI 競賽中最好的方法相比，器官神經網絡平均提升了 3.3% 的 Dice 指標。器官神經網絡僅僅使用 0.12 秒就可以完全完成一整幅 CT 圖像（178512512）的分割。該速度極大地縮短了之前方法所用的時間（20分鐘以上）。除此之外，該模型可以處理一整幅包含所有切片的 CT 圖像，以及一次性勾畫所有的危及器官，不需要很復雜的預處理以及后處理。

騰訊醫療 AI 實驗室開發的深度學習模型提供了一種 CT 圖像勾畫危及器官的可行思路。表明深度學習可以提升器官分割準確率，簡化自動分割器官的流程。該技術可以在小于 1 秒鐘的時間內完成一整幅頭頸 CT 的危及器官勾畫。

騰訊醫療AI實驗室以科研成果推動技術創新

除本次發表于《Medical Physics》的研究成果，今年 7 月，騰訊醫療 AI 實驗室已有 3 篇論文分別被 KDD 2018、SIGIR 2018、COLING 2018 三個國際頂尖學術會議收錄，論文的主要研究方向為醫療知識圖譜中實體關系的發現和應用。

騰訊醫療 AI 實驗室是騰訊專為醫療領域打造的人工智能實驗室，目前在硅谷、北京、深圳設立了三個分支。其作為騰訊醫療健康領域眾重要技術驅動，騰訊 AI 實驗室在學術研究層面不斷發力，致力于 AI 醫學領域的前沿突破。

實驗室的主要研究方向是基于自然語言理解、醫學知識圖譜、深度學習、醫療影像、貝葉斯網絡、多模態分析等基礎技術構建醫學知識引擎、醫療推理引擎、臨床輔助診斷引擎、問診對話引擎等智能平臺。

騰訊醫療 AI 實驗室致力于推動醫療 AI 開創性技術研發，目前，騰訊醫療 AI 實驗室已推出帕金森病運動功能智能評估系統，其他主要產品還包括臨床輔助決策支持系統，面向腦卒中、急性冠脈綜合癥等高危易誤診疾病提供臨床輔助決策支持，以及心電圖智能分析軟件，利用 AI 技術實現心電圖監測結果的自動判讀和預警等。

近日，以騰訊醫療 AI 實驗室為技術核心主體，騰訊作為牽頭單位承擔“2018 年科技部重點研發計劃數字診療裝備專項基于人工智能的輔診系統項目”，將會組建高精尖隊伍承擔國家科研重任，搭建 AI 輔診平臺并向臨床應用推進。

未來，騰訊醫療 AI 實驗室也將持續通過研發 AI 技術與醫療的深度結合，構建良好的技術生態，從臨床角度解決問題，服務于醫患雙方，助力醫療行業智慧化升級，同時著重助力分級診療國策的落地。

點擊以下標題查看更多論文解讀：?

• 網絡表示學習綜述：一文理解Network Embedding

• 神經網絡架構搜索（NAS）綜述

• 從傅里葉分析角度解讀深度學習的泛化能力
  

• 哈佛NLP組論文解讀：基于隱變量的注意力模型

• ACL2018高分論文：混合高斯隱向量文法

• COLING 2018最佳論文：序列標注經典模型復現

• 一文解析OpenAI最新流生成模型「Glow」

#投 稿 通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？ 答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。

??來稿標準：

? 稿件確系個人原創作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?

? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志

? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發送?

? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通

?

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 下載論文

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的腾讯医疗AI实验室：基于深度学习的放疗靶区自动勾画的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。