當醫學影像遇上NIPS：分割、分類與重構

來源：PEXELS

原文來源：Towards Data Science

作者：Isaac Godfried

「雷克世界」編譯：嗯~阿童木呀

今年，我出席了NIPS醫學影像研討會，並在會議上展示了一張海報。本次研討會的重點是將來自醫學影像和機器學習社區的專家聚集在一起。總共有十一個演講和兩個海報會議。接下來，本文將著重回顧一下此次研討會中的一些亮點，演講和展示的海報中討論的側重點主要是分割、分類和/或圖像重構。

分割（Segmentation）

我必須承認，在參加這個研討會之前，我並不完全了解圖像分割的價值。我的思維中總是存在這樣一個問題：為什麼你只想對圖像中的一些東西進行勾勒，而不是對其進行分類？經過這次的研討會，徹底改變了我對於分割價值的看法。

放射治療

Raj Jena，劍橋大學的放射科專家、微軟研究人員，在會議上發表了題為「像素完美主義——機器學習和自適應放射治療」的演講。在演講中，他介紹了機器學習是如何幫助提供更好的治療和優化工作流程的。為了讓患者接受適當的放射治療，很重要的一點是要確定腫瘤的確切邊界。通過定位腫瘤和健康組織之間的確切邊界，治療過程中可以提供更多的放射診治，因為損害健康組織的風險較小。但是，目前，分割主要是由放射科醫師手動完成的。這往往會導致不同的放射科醫師之間出現差異，從而顯著影響治療的結果。在衡量與放射治療聯合使用的藥物的有效性方面，一致性也具有至關重要的作用，因為如果病人的放射線不一樣，我們幾乎不可能判斷治療效果的提高是由藥物引起的還是由放射治療導致的。

機器學習提供了獲得一致性和更精確分割的機會。其次，機器學習模型往往可以在幾秒鐘內運行，而放射科醫師通常需要幾個小時進行手動分割圖像。而這個時間其實可以更好地用於繪製治療過程或診斷更多的患者。Jena還介紹了機器學習是如何讓他成為「超級放射腫瘤學家」的。

圖片來源於Jena的演講，「超級放射腫瘤學家」使用機器學習不斷地調整治療方案，預測治療效果

圖片來源於Jena的演講。適應性放射治療的相關細節

機器學習可以使腫瘤學家既能更好地適應健康組織形狀和大小的變化，又能幫助腫瘤學家預測放射治療所可能帶來的不良影響。例如，Jena描述了他是如何使用諸如高斯過程這樣簡單的方法來預測放射治療的潛在副作用的。

關於這次研討會，我從中受益匪淺，如果感興趣，可以點擊查看Jena的完整演講。

構建質量數據集

在整個研討會過程中，圍繞著這樣一個共同主題：注釋的質量和建立良好的醫學成像數據集的困難。在分割任務中尤其如此，其中模型只能像其注釋者所注釋的那樣好，而注釋者本身也應該是熟練的放射科醫師。

加速注釋過程的一種可能方法是通過主動學習（active learning）。IBM的Tanveer Syeda-Mahmood在討論IBM的放射方面的研究時簡要地提到了這一點。通過主動學習，我們可以從一個小標籤數據集和幾個專家注釋者開始。機器學習演算法能夠足夠好地去學習訓練集，從而它可以自己注釋簡單的圖像，而專家去注釋那些較難的案例。具體而言，分類器得分低於確定性閾值的圖像將被發送給人類以進行手動注釋。其中一張海報（Girro等人展示的）也討論了使用主動學習以幫助對語義圖像分割網路進行有效的訓練。

主動學習也許能解決部分問題，但是並不能完全解決質量問題。核心問題是，當專家對邊界都達不成一致的情況下，研究人員該如何才能開發出精確的數據集呢？關於這一點，Bjorne Menze提出了BraTS數據集的構建。BraTS數據集（http://braintumorsegmentation.org/）是最大的腦成像數據集之一。他融合了幾個不同的注釋者的數據，以創建「參照標準」。自創建以來，BraTS已經面臨幾個不同的挑戰。其中一個挑戰涉及用機器學習演算法分割所有的腫瘤，最近的重點是預測總體存活。

定位、檢測和分類（Localization, detection, and classification）

對醫學圖像中發現的疾病進行精確分類是研討會上的一個重要課題。檢測目標/ROIs並對其進行準確分類是醫學成像中的一項具有挑戰性的任務。這主要是由於醫學圖像（如x射線MRI、CT、超聲波和超聲圖）形式和維度的多樣性、圖像的大小以及和分割有關的注釋訓練數據的有限性（有時還是低質量的）導致的，演講者展示了克服這些障礙的各種有趣的技術。

Ivana Igsum討論了深度學習技術在心臟成像中的應用。她特別介紹了她在準確檢測動脈鈣化方面的研究工作。她描述了她和她的團隊是如何開發一種新方法，用以對鈣化進行自動評分，並對心血管疾病風險進行分類。為了做到這一點，她的團隊使用了多層CNN方法。

圖片來源於Ivana Igsum的演講

隨後，Yaroslav Nikulin提出了針對數字乳腺X線攝影挑戰的獲勝性方法。

海報

Benjamin Huynh，Natalia Antropova和芝加哥大學的Natalia Antropova展示了一張關於使用長短期記憶網路（LSTM）進行乳房DCI-MRI分類的有趣海報。這涉及在施加對比染劑（contrast dye）之後從多個時間步中輸入3D MRI圖像的問題。然後他們使用CNN將這些圖像中的特徵提取出來，然後將其饋送給LSTM並輸出一個預測。總之，這張海報呈現了使用LSTM（和CNN）處理「4d」醫學影像數據的有趣應用。

我的海報聚焦於我目前的研究工作進展，使用目標探測器對胸部X射線的多個條件進行準確定位和分類。我的主要目標是調查，相較於在整個數據集上訓練的多標籤分類CNNs而言，目標檢測演算法在有限數據集上的表現如何。我認為，如果配置和訓練得當的話，目標檢測器在對醫學圖像中的疾病/狀況進行定位和分類方面具有很大的潛力，然而它們受限於標籤邊界框數據的不足，同時，這也是我發現以下海報非常有趣的原因之一。

Hiba Chougrad和Hamid Zouaki展示了一張有趣的海報，是關於遷移學習在乳腺成像分類問題上的應用。在抽象的「用於乳腺癌篩選的卷積神經網路：伴有指數衰減的遷移學習」中，他們描述了測試若干不同的遷移學習的方法。例如，他們比較了，對在imagenet上預訓練後的CNN進行微調、利用操作與隨機初始化權重操作的不同。最後，他們發現最佳技術是使用伴有指數衰減的學習率對層進行微調。因此，對於最底層（即最接近softmax的層），學習率將是最高的，而對於上層而言，學習率將是最低的。由於底層傾向於學習最與數據集相關的特徵，因此這種非常直觀的表現是很有意義的。通過使用這些以及相關的技術，我們（希望）可以在不需要大數據集的情況下開發出精確的模型。

重構和生成（Reconstruction and generation）

Heartflow

我通常不會對那些吹噓他們的產品有多偉大，以及它將如何「革新插入行業」的工業宣傳品有多麼深刻的印象。然而，Heartflow和DeepLumen血管分割演算法確實給我留下了深刻的印象。該產品減少了83％的不必要的血管造影，並獲得FDA批准。在這裡我將不加詳細討論，但我認為Heartflow是機器學習在現實世界環境中產生影響的一個很好的示例。

其他兩名主持人也提到了重構問題。Igsum的演講（之前提到）討論了從低劑量CT中構建常規CT的方法。帝國學院的Daniel Rueckert描述了基於機器學習的重構是如何在成像中實現更多的時間戳的。

海報

我發現有一張海報非常的有趣——MR-to-CT，它是使用循環一致生成對抗網路生成的。在這項研究中，作者（Wolterink等）採用通用的CycleGAN演算法，並將其用於將MRI圖像轉換為CT圖像。這是一個潛在的非常有用的應用程序，可以防止患者必須經過多個成像過程。另外，CT將患者暴露於放射之下，所以這也可能減少不必要的放射暴露。

圖片來源於MR-to-CT的合成論文

還有一個Virdi等人展示的海報。使用雙重生成對抗網路的合成醫學圖像，以及Mardani等人展示使用深度生成對抗網路壓縮感知（GANCS）自動MRI。

工具和平台

在會議上，若干個發言者都談到了新的工具，旨在使醫學圖像分析與機器學習更容易為臨床醫生和研究人員所獲取。Jorge Cardoso介紹了NiftyNet，以及它是如何使研究人員更容易開發醫學成像模型的。NiftyNet是建立在Tensorflow之上的，它包含許多簡單易用的模塊，用意載入高維輸入。

Makkie等人的神經影像平台上的海報

另外，在工具方面，G. Varoquax展示了NILearn，一個用於神經影像數據的Python模塊，它是以scikit-learn為基礎構建的。就像scikit-learn試圖讓具有基本編程技能的人們可以接觸機器學習一樣，NILearn的目標就是在腦成像方面做同樣的事情。唯一的與系統相關的海報來自喬治亞大學的Makkie和Liu。它專註於展示他們的用於神經影像的大腦活動平台，以及它是如何將涵蓋Spark、AWS和Tensorflow在內的幾種技術融合在一起的。最後，會議上還展示了DLTK工具包的海報。總而言之，一些非常有趣的工具包和平台可以幫助人們更方便地使用機器學習進行醫學圖像分析。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！