【喜报】BioX产业院团队在国际视网膜图像人工智能比赛中获得第一名好成绩
生物探索 · 2019/11/27
近日,苏州BioX产业院医疗影像团队在视网膜图像分割领域取得技术突破,在Grand-Challenge数字视网膜图像血管分割比赛(DRIVE)上以94.46%Dice得分取得第一名。

近日,苏州BioX产业院医疗影像团队在视网膜图像分割领域取得技术突破,在Grand-Challenge数字视网膜图像血管分割比赛(DRIVE)上以94.46%Dice得分取得第一名。Grand-Challenge是一个举办医学影像分析比赛的国际化平台,致力于为前沿医学图像算法研究提供统一的数据和标准进行比较,进而更好的促进技术发展。多年来吸引了数以千计的国际一流研究团队参加,其比赛数据和结果常作为论文被发表在MICCAI等国际医疗影像顶级会议上。DRIVE比赛研究基于视网膜图像的血管分割,吸引了来自世界各地的超过100多个大学与科研团体的参与。截止日前,Grand-Challenge DRIVE比赛结果排名(https://drive.grand-challenge.org/evaluation/results/)如下:


DRIVE比赛结果

DRIVE数据库中的图像来自荷兰的一个糖尿病视网膜病变筛查项目。筛查人群包括400名年龄在25-90岁之间的糖尿病患者,随机选取40张大尺寸图像,由专业医生进行像素级标注,其中33张无糖尿病视网膜病变体征,7张有轻度早期糖尿病视网膜病变体征。


算法原理

在本次比赛中,我们在业界通用图像分割神经网络模型的基础上,使用更深层次的下采样,并利用深监督、区域分析、新型Loss函数、数据增强等方案,实现了最好的分割结果。我们使用一个收缩路径用于获取上下文信息,一个结构上对称的扩张路径用以精确定位,且收缩路径与扩张路径之间具有跳转连接。跳转连接将来自于解码部分深层语义特征与来自编码部分浅层低级细粒度特征相组合,达到恢复目标对象的细粒度细节的效果。为了解决语义差别大的特征图相结合的难题,我们先将来自编码网络的高分辨率特征图的内容逐渐丰富,再与来自解码网络的相应语义丰富的特征图相组合,这样可以更高效地捕获前景目标的细粒度细节。针对原始图像尺寸大的问题,我们使用基于区域的分析方法,将原始数据进行区域增强至1160张,然后再融合各个区域的结果获得最终的分割结果。我们使用加权的交叉熵损失与Dice损失的差值作为新型Loss函数解决目标区域与背景区域分布不平衡的问题。多种技术相结合,刷新了视网膜图像血管分割业界记录,并在视网膜图像分割领域打下了扎实的技术基础。


本次比赛项目的意义是推动相关医学临床中视网膜血管的研究发展。视网膜血管是人体的重要组成部分,视网膜血管形态特征描述(如长度、宽度、曲折度、分支模式和角度)可用于诊断、筛查、治疗和评估各种心血管和眼科疾病,如糖尿病、高血压、动脉硬化和脉络膜新生血管形成。血管系统的自动检测和分析可以帮助糖尿病视网膜病变筛查项目的实施,可以帮助研究血管弯曲与高血压视网膜病变的关系,血管直径测量与高血压诊断的关系,以及计算机辅助激光手术。此外,每个人的视网膜血管树是唯一的,分割提取到的血管树还可以用于身份识别。在此次国际大赛中,苏州BioX产业院以94.46%Dice成绩取得第一名,对该研究起到了重要的推动作用。

所有文章仅代表作者观点,不代表本站立场。如若转载请联系原作者。
查看更多
发表评论 我在frontend\modules\comment\widgets\views\文件夹下面 test