近日，第23届国际医学图像计算与计算机辅助干预会议MICCAI论文接收结果揭晓。
专注于医疗人工智能和大数据技术研究的腾讯天衍实验室，共有14篇论文入选，较去年入选的4篇论文大幅增加。
研究方向涵盖医学影像中的分类、分割、检测、现场适应等应用场景，实现医学影像人工智能技术的全面突破。
近年来，AI技术与医疗行业深度融合，其中在医学影像领域应用最为广泛。
此次入选MICCAI的论文中，腾讯天衍实验室作为腾讯觅影背后的算法技术供应团队之一，基于医学影像临床应用的各种场景，对多种机器学习方法进行了创新研究。
，有望加速AI在医疗健康领域的实用化进程。
腾讯天衍实验室的负责人郑冶枫博士从事智能医学图像分析多年。
他发明的投影空间学习方法于2011年获得美国马斯爱迪生专利奖，相关研究成果编译发表于《医学影像处理的投影空间学习法：器官的快速检测与分割》。
他还是 AIMBE 院士和 IEEE 医学影像杂志 (TMI IF=7.8) 的副主编。
打破医学图像数据标注能力不足在AI医学影像的学习和训练中，面对医学图像数据标注能力不足、医学图像数据质量参差不齐的行业困境，如何充分利用标注数据可以使用并发布 对于AI在医学影像领域的作用，腾讯天衍实验室试图通过多种机器学习方法的技术创新来突破。
与传统的监督学习相比，弱监督学习使用有限的、有噪声的或不准确标记的数据来训练模型参数，这是AI医学图像分析工作的常见思路。
今年收录的论文中，天衍实验室提出了由宏观网络和微观网络组成的新弱监督框架。
宏网络负责学习弱注释图像（大量）中包含的位置和区域信息，而微网络负责学习全注释图像（少量）中包含的精细结构信息。
在此框架的基础上，研究人员利用基于不确定性的宏微观数据流，分别采用参数滑动平均法和不确定性引导的KL-loss来实现两个模型之间的知识交换。
大量实验结果表明，该方法优于传统的单一半监督和弱监督方法，为更有效地使用分割标注提供了新的可能性。
面对医学图像采集过程中神经网络容易受到噪声干扰的问题，腾讯天衍实验室提出了一种抗干扰的神经元内源学习方法，利用正确的标签生成正确的响应图，然后随机生成错误的标签得到错误的响应映射为干扰。
在神经网络学习中，使两个响应图之间的差异尽可能大，以便网络能够学习到干扰信息，提高网络的抗干扰能力。
与之前的方法不同的是，这次提出的方法在特征空间而不是图像层面产生干扰。
特征空间中产生的干扰完全由网络本身决定，因此网络可以获得更强的抗干扰性和鲁棒性。
。
在当前高质量标注数据资源短缺的情况下，本研究为提高噪声数据的价值、扩大机器学习的可用数据范围做出了新的探索。
医学影像数据标注要求高，数据采集难度大。
无标签数据的利用价值和可能性也成为AI医学影像研究探索的新方向。
在基于深度学习的青光眼自动诊断任务中，天衍实验室提出的“学与教-知识迁移（L2T-KT）”训练策略和“测验池”利用非诊断性眼底图像对教师网络进行了升级并尝试将无标签数据应用于AI医学影像。
该方案使得教师网络能够将非诊断性眼底图像的信息编码到潜在特征空间中，然后学生可以通过向教师学习来对非诊断性眼底图像进行训练。
在私有数据集和LAG数据集上的实验结果表明，该方法可以利用非诊断眼底图像显着提高青光眼诊断任务的性能。
在深度学习时代，预训练模型在医学图像分析中发挥着至关重要的作用。
然而，自然图像和医学图像的差异很明显，还有很大的改进空间。
研究表明，天衍实验室提出的模型预训练框架Comparing to Learn（C2L）使用了70万张完全未标记的放射图像。
通过比较图像特征之间的差异，取得了比ImageNet更好的效果。
使用有监督的预训练模型性能和其他最先进的自监督模型。
挖掘标注数据的价值除了尽可能多地利用数据进行AI学习之外，在现有数据标注和算法上进一步提升AI模型训练效果也非常重要。
医学图像通常由多个专家或医生进行注释，然后使用多个注释的平均值或多数投票来确定最终的金标准标签。
当标注结果用于AI模型训练时，通常只使用最终的金标准标签，而金标准标签以外的原始数据标注的价值往往被忽略。
天衍 Lab在《基于多标注一致性的难例感知青光眼分类模型开发》中提出了一种新的基于深度学习的模型框架，利用独创的多专家标注来提高青光眼分类性能，同时还利用不同专家对每个图像属性标注结果的一致性或不一致，并预测是否该图像是一个简单的案例或一个困难的案例。
这项研究也有望提高医生在临床诊断中的分析效率和准确性，提醒医生特别关注疑难病例。
在医学图像分析的目标区域分割任务中，通常采用人工标注作为模型学习模仿的对象。
虽然分割目标的大部分区域相对容易标记，但不同组织相遇的边缘区域往往由于边界不清晰和部分体积效应而难以处理，并且该区域的硬标记可能具有相当大的不确定性。
现有的边缘检测算法无法准确定位和拟合物体的真实边缘，这种不确定性将进一步影响训练模型的性能。
在纳入的论文《用于医学影像分割的超像素引导标签软化》中，天衍 Lab提出了一种基于超像素的标签软化技术，根据超像素中的体素到标签边界的距离来软化区域内的标签。
软化后，将标签与原始硬标签一起训练，以训练分割模型。
在《逻辑细化网络：提取精细边缘的边缘检测器》文章中，研究人员设计了逻辑细化网络和逻辑阀运算函数（根据分割图和边图的逻辑关系设计）。
该方法可以将原始图像上的目标检测结果（即分割图）和第一阶段较粗糙的边缘检测图通过逻辑阀运算函数t输入到边缘细化网络中。
网络通过层层强化物体的边缘位置。
，细化边缘图，最终输出准确精细的边缘图。
实验结果表明，上述方法在原有硬标签和边缘检测算法的基础上，能够有效提高AI网络对2D和3D医学图像的边缘检测性能。
AI医学影像技术加速科研应用落地。
作为“腾讯觅影”背后的技术提供商，天衍实验室的研究和创新不断拓展AI医疗技术发展的边界，也正在逐步推动研究成果落地到临床研究和应用实践中。
今年COVID-19疫情期间，天衍实验室运用AI大数据技术，在科技应用抗疫方面表现出色。
腾讯天衍实验室主任郑冶枫表示，在腾讯健康小程序抗疫领域推出的15个工具中，天衍实验室参与了5个，包括疫情知识问答、同社区患者、发热自查、发热门诊，口罩攻略。
在疫情问答中，天衍实验室使用自主研发的LTD-BERT模型识别用户意图，推理速度提升40倍，精准为用户提供疫情信息。
在针对COVID-19的CT辅助诊断产品研发中，为克服数据量不足、标注能力不足等问题，天衍实验室采用魔方自监督学习方法来训练模型并在小规模上进行微调。
用于区分肺炎/非肺炎的数据集。
，分为病毒性肺炎/非病毒性肺炎。
疫情期间，腾讯觅影AI辅助诊断新型冠状病毒肺炎解决方案在武汉大学中南医院落地。
基于强大的技术支撑，AI模式识别在患者CT检查后最快2秒即可完成，1分钟内即可为医生提供帮助。
诊断参考，两个月内已协助湖北多家医院对0余名患者进行肺部CT诊断。
腾讯觅影在眼底疾病筛查中的应用尤其具有广泛的社会意义。
可以弥补基层眼科医生的短缺，让低成本眼底检查在社区、基层普及。
目前，该系统已与全国30余家医院联合验证，并已在广东、广西、山东等省市基层医疗系统试点。
相信将会有越来越多的人受益。