站内搜索:
联系我们 | 网站地图 | English | 中国科学院  

此页面上的内容需要较新版本的 Adobe Flash Player。

获取 Adobe Flash Player

新闻动态
 您现在的位置:首页 > 新闻动态 > 科研进展
当人工智能遇上肿瘤:苏州医工所高欣课题组在骨肉瘤图像分割研究中取得进展
发表日期: 2018-04-25 作者: 张睿
打印 文本大小:    关闭

  随着IBM Watson Alpha Go人机大战等事件持续发酵,人工智能获得了极大的关注度,而医学影像与人工智能的结合被认为是最具发展前景的领域,除可提高医生的工作效率,还可提高诊断准确率,使精准医疗真正成为可能。其中在肿瘤治疗领域,每个病人需要拍摄医学影像(CTMRI等)几十甚至上百张,医生凭借经验勾画每个患者的肿瘤区域需要半小时至几个小时,耗时耗力,导致治疗病人有限。此外,不同的放射科医生对肿瘤区域的勾画结果受其主观经验,环境等诸多因素的影响,其勾画结果是不可重复的。因此,利用人工智能技术自动勾画医学图像中的肿瘤区域,可以很大程度上减少了医生的工作量,提高治疗效率。 

  骨肉瘤是一种危害极大的原发性恶性骨肿瘤,其发病率约占人类恶性实体肿瘤的0.2%。目前骨肉瘤的主要治疗方案是新辅助放化疗以及手术切除肿瘤,因此精确地从骨肉瘤 CT 图像中分割出肿瘤病灶区域,不但可以为医生减轻负担,而且对术前新辅助放化疗的计划制定,以及术后放化疗疗效果评估都有着至关重要的作用。 

  中科院苏州医工所高欣、张睿、夏威等人与北京积水潭医院合作,提出了一种基于多监督深度残差网络的骨肉瘤图像分割方法 (Multiple Supervised Residual Network, MSRN)该方法将残差网络与多监督网络结合起来,在残差网络中加入有三个有监督的边输出层,从而在三个尺度上学习图像的特征,并融合三个尺度上的分割结果,得到最终的肿瘤分割结果。我们分别采用 Dice 相似性系数(Dice Similarity Coefficient, DSC),敏感度系数(Sensitivity)以及F1 ( F1-measure)对分割结果进行评价。 

  实验结果表明,与FCNU-Net等先进算法的最佳分割结果相比,MSRNDSC系数、敏感度系数、F1值上分别提升了8.78%7.83%以及6.71%。相关研究结果发表在Computerized Medical Imaging and Graphics (SCI IF 1.738): 

  Rui Zhang, Lin Huang, Wei Xia, Bo Zhang, Bensheng Qiu, Xin Gao*, Multiple supervised residual network for osteosarcoma segmentation in CT images, Computerized Medical Imaging and Graphics, Vol. 63, pp. 1-8, 2018. 

  文章链接:https://www.sciencedirect.com/science/article/pii/S0895611118300089 

  1基于多监督的深度残差网络(MSRN)。 

 

  2骨肉瘤CT 图像分割结果。1~4行为4个不同的样本。(a)金标准;(b~d)分别是FCNU-NetMSRN的分割结果 

附件
 
版权所有:中国科学院苏州生物医学工程技术研究所 Copyright 2009 All Rights Reserved
电话:0512-69588000 传真:0512-69588088 E-mail:office@sibet.ac.cn
地址:苏州高新区科技城科灵路88号 邮编:215163
您是第:位访问者
官方微信扫一扫