近期，中科院合肥研究院智能所智能感知技術中心宋博研究員團隊在多模態(tài)醫(yī)學圖像處理技術研究方面取得重要進展：團隊基于人工智能-深度學習技術的醫(yī)學影像分析方法研究，開發(fā)了同步實現(xiàn)脊柱中心線提取及脊柱側彎量化評估精確診斷模型，可大幅度提高檢測精度和速度。目前該成果發(fā)表于醫(yī)學影像分析頂會-醫(yī)學圖像計算和計算機輔助介入國際會議(The 24th International Conference on Medical Image Computing & Computer Assisted Intervention, MICCAI 2021)。
宋博研究員項目團隊長期致力于基于人工智能-深度學習技術的醫(yī)學影像分析方法研究及其在輔助診療過程中的臨床應用。針對人體管狀組織病變量化評估檢測任務，項目團隊基于深度學習技術，將管狀解剖結構的分割問題轉化為基于圖像行向量的分類任務，并提出曲線卷積的模塊，以解剖結構幾何位置信息與語義特征融合作為輸入，將管狀解剖結構構成一條連續(xù)的曲線這一幾何約束嵌入到深度學習特征提取過程，可同時完成管狀解剖結構中心線提取和相應醫(yī)學量化指標計算任務，從而提升檢測精度和速度。
項目團隊將上述方法應用于脊柱側彎量化診療過程。脊柱側彎嚴重影響青少年的身體健康，Cobb角是目前衡量脊柱側彎的臨床標準，精確計算Cobb角對于脊柱側彎的治療尤為重要。當前Cobb角估計研究通常依賴于脊椎角點的檢測，這一類方法在檢測角點之后還需要一系列復雜的后處理操作。基于上述問題，課題利用其在人體管狀組織病變量化評估檢測方面的技術成果，成功完成脊柱中心線提取和Cobb角計算任務。通過在公開數(shù)據(jù)集上測試，研究團隊預測的脊柱中心坐標偏離實際中心線的歐氏距離小于15個像素占所有點的比例不小于92.25%，Cobb角平均計算誤差由競賽第一名的5.39°下降到4.77°。
該項研究可以廣泛應用于食道、血管類疾病、脊柱類疾病等管狀解剖結構的醫(yī)學診斷。
MICCAI是國際公認的跨醫(yī)學影像計算(MIC)和計算機輔助介入 (CAI) 兩個領域的頂級綜合性學術會議,具有非常強的國際影響力和高學術權威性,是醫(yī)學影像分析領域的前沿熱點風向標,引領該領域的未來發(fā)展方向。
該研究工作得到國家自然科學基金和安徽省重點研發(fā)項目的資助。
文章鏈接：https://link.springer.com/chapter/10.1007/978-3-030-87240-3_36
圖1 團隊提出的基于行的檢測方法和曲線卷積結構
圖2 整體網(wǎng)絡框架
圖3. 脊柱中心線提取結果：img:為患者X光掃描圖像，gt:為金標準，segmentation:為傳統(tǒng)使用分割的方法得到脊柱中心線，Row-wise和joint為使用我們提出的方法得到的脊柱中心線
