复星杏脉荣获2021-MICCAI-FLARE腹部多器官分割比赛冠军

2021.11.02.

近期，在法国斯特拉斯堡举行了2021 MICCAI（国际医学图像计算与计算机辅助介入）大会，在FLARE腹部多器官分割的赛事中，复星杏脉从90余组来自世界各地的参赛团队中脱颖而出，摘得国际竞赛冠军。以年轻团队成员为主的杏脉算法团队获得赛会主办方和国内外知名专家的高度认可和好评，AI医疗领域的中国元素大放异彩。

MICCAI会议创建于1998年，由早期的医学视觉与虚拟现实及机器人-CVR Med ，医疗机器人与辅助诊断-MRCAS和计算生物医学可视化-VBC三大会议合并而成，目前已被公认为是医学图像计算、医疗机器人、人工智能、辅助介入、计算生物医学等领域顶级的国际会议。2021年MICCAI吸引了全球超过2000多名顶尖的研究人员的参与，包括国内外顶级学府和知名医疗技术机构。

精确而高效的自动腹部器官分割具有重要的临床意义，能够降低医生的人工参与，缩短临床诊疗流程的时间。然而，腹部CT数据表现出的多样性，给自动分割算法带来了较大挑战。现有腹部CT数据集大都只包含单中心、单期相、单一设备或者单一疾病数据，基于该数据设计的算法在多样性的临床数据中表现出较差的泛化性能。为了解决上述限制，2021 MICCAI组织FLARE分割竞赛。主办方提供包含多期相、多中心的腹部CT数据，要求同时实现肝、肾、脾和胰的多器官分割，并从分割指标和算法效率两个维度综合考评。

CT扫描视野差异大，三维的CT图像对CPU和GPU等资源的占用需求高。为了均衡资源的利用率，现有的分割算法大都采用滑窗切块的分割流程。为了保证分割的准确率，需要提高切块的重叠区域，但也带来了图像区域的重复计算和资源消耗。而且，分离的图像块丢失了全局上下文信息，不利于病变器官的分割。FLARE的训练和测试数据分布差异大，多中心、多期相以及病理性器官等特点对算法的泛化性能提出了较大挑战。为了应对上述挑战，复星杏脉放射算法团队创新性地提出了题目为“Efficient Context-Aware Network for Abdominal Multi-organ Segmentation”的分割算法。他们提出基于整图coarse-to-fine的分割框架，解决CT扫描视野导致的图像差异。考虑腹部多器官的解剖位置相对一致，采用整图输入能够提取不同器官position-related的上下文特征。

放射算法团队优化UNet网络结构，首次提出EfficientSegNet网络，该网络由basic encoder、slim decoder和efficient context模块组成。在decoder模块中引入anisotropic卷积，提升了网络计算效率；设计mixed pyramid pooling的context模块，融入strip pooling结构，提升了anisotropic和long-range上下文特征的表示能力。相较于self-attention和non-local模块，strip pool具有更低的显存占用和矩阵运算量。算法实现上，采用混合精度、分布式训练技术来缩短训练过程时间，提升显存利用效率。在推理过程中，采用CUDA加速图像预处理和后处理，FP16量化推理提升模型推理效率。

在主办方提供的金标准测试集上，复星杏脉放射算法团队将单例分割pipeline的执行时间降低到9.32s，显存占用峰值降低到1177MB，代表分割区域准确率的DSC达到89.5%,代表分割边界准确率的NSD达到79.6%。相比于nnUNet分割框架，该分割方法的推理速度有19倍的提升，GPU显存占用有60%降低。

自动的腹部器官分割为辅助临床诊断、定量分析、腹腔手术规划和导航等应用奠定了基础，具有广泛的临床应用价值。该项分割技术作为复星杏脉的基础算法，为公司相关产品线提供有力的保障。同时，腹部器官分割作为腹部CT应用的前置单元，也为后续在腹部产品线的布局打下了坚实基础。

复星杏脉构建多元AI产研矩阵中，各产品线的算法研发团队已经不是第一次获得国际比赛冠军，早在2017年技术孵化阶段就以“肺结节平均召回率96.6%”刷新国际权威的医疗影像大赛LUNA排行榜，获得双榜冠军。2019年又以“一致性系数94.6%”荣登国际权威全球病理竞赛Cancer Cellularity Challenge冠军榜首。诸多荣誉也正是因为复星杏脉专注独创性技术研发与临床应用创新，创新效率领先业内，团队覆盖医学影像、生物医学、流体力学、机器学习、光学成像等众多关键技术领域。