摘要：2020年国际医学图像计算和计算机辅助干预会议（MICCAI 2020），论文接收结果已经公布。华为云医疗AI团队和华中科技大学合作的2篇研究成果入选。
同时两篇研究成果被行业顶会收录，华为云医疗AI布局，低调浮出水面。
2020年国际医学图像计算和计算机辅助干预会议（MICCAI 2020），论文接收结果已经公布。其中，华为云医疗AI团队和华中科技大学合作的2篇研究成果入选。
MICCAI 2020横跨医学影像计算和计算机辅助介入两个领域，已经有16年发展历史，是国际公认的行业顶尖学术会议。不仅有国际影响力和学术权威性，还是医学影像分析领域的前沿热点风向标，更是验证相关研究成果含金量的地方。
语义/实例分割问题是近年来医学图像计算领域的一个热门研究课题，70％以上的国际竞赛都是围绕着它展开。此次华为云医疗AI团队的2篇论文，针对的是医学图像计算领域中语义/实例分割问题，探讨如何将心脏、肝脏、前列腺等器官的原始图像数据转化为高价值的空间结构化信息。具有很强的临床使用价值，不仅能够辅助医生决策，还能帮助医生完成术前规划，肿瘤动态监控等任务。
在研究论文中，华为云医疗AI团队提出的方法，用于解决由医疗设备成像、器官病灶本身构造等因素造成的待分割物体边缘不清晰问题——这是此前深度学习算法很难发挥效力的场景。
华为云团队提出的两个方法中，每一个都展示出了超越传统方法的效果。
医疗+AI最新成果其中一篇论文，名为“Pay More Attention to Discontinuity for Medical Image Segmentation”，研究的是如何分割好医疗影像中不连续的区域（比如器官病灶等）。
论文中表示，已有的分割方法在处理这种情况时，经常错误地将区域内的不连续位置误判为区域边界，导致预测的区域边界不准确。
比如下图中的情况（左侧是标签图，右侧是已有方法分割图像的情况，黄圈是缺失部分）：
在这篇论文中，华为云医疗AI团队联合华中科技大学，论述了区域内不连续问题导致边缘分割不准确的概念，并提出了解决方法：提升不连续位置的注意力。
具体来说，是应用边缘检测器来识别不连续的位置，并将此“不连续”监督信号添加到loss目标函数中，配合常规Dice loss组合成多任务目标学习函数，以此进行更精准的边缘识别，算法框架如下图所示：
他们将这一算法在三种医学图像分割任务上进行了全方位验证，分别是：MRI心脏分割数据集-Cardiac500、MRI前列腺分割数据集T2-SPIR和MRI肝脏分割数据集Medical Segmentation Decathlon。
结果显示，相比于已有基线方法，衡量分割结果的核心指标都有所提升。其中。在心脏分割迁移任务上Cardiac500迁移到ACDC的结果提升了5.1个百分点。
为了进一步验证他们提出的方法有效性，他们还进一步分析了Cardiac500数据集中2645个测试样本的分割结果分布，结果显示完全消除了核心指标小于0.8的样本，相比之下，基线方法有13个样本低于0.8。
另一篇论文，题目为“Learning Directional Feature Maps for CardiacMRI Segmentation”，同样是华为云医疗AI团队联合华中科技大学的研究成果。
通常情况下，磁场不均匀和在核磁共振成像过程中脏器运动等因素会产生伪影，使得目标边界模糊。但当前基于深度学习的分割方法由于缺乏有效的语义像素级关联，导致分割出来的目标物体无法维系解剖学结构，如下图所示：