English
MICCAI 2019 | 柏视医疗聚焦最前沿算法,为AI医学影像注入新动能
2019/10/13
PVmed
2019年10月13日-17日,第22届医学图像计算和计算机辅助干预国际会议(MICCAI 2019)在深圳盛大召开,柏视医疗应邀与来自全球各地的2400多名生物医学科学家,工程师和临床医生共同参与医学影像的探索。

2019年10月13日-17日,第22届医学图像计算和计算机辅助干预国际会议(MICCAI 2019)在深圳盛大召开,柏视医疗应邀与来自全球各地的2400多名生物医学科学家,工程师和临床医生共同参与医学影像的探索。

作为国际顶级医学影像会议,MICCAI在全球的影响力和权威性不容小觑,此次会议,接收的论文首度突破1000篇,比去年增加了70%,最终收录量高达538篇,论文涉及与医学成像和计算机辅助干预相关的广泛学科。

从今年论文的接收情况看,基于CT影像的肺结节检测和分析相关的论文有20余篇,而乳腺钼靶影像等相关文章达10余篇,而538篇收录文章中,绝大多数都绕不开“人工智能”,由此可预见,未来的几年,人工智能将成为医学影像的重中之重。

相比于产业界,学术界似乎对医学人工智能的未来抱有更多期待与憧憬。大会走廊的Paper Wall,参与展览的500多篇论文大都使用了与卷积神经网络相关的算法,其内容既包括用深度学习重构影像工作流,又包括对单个病种的CT、病理等影像的优化分析。

在柏视医疗的展位,前来参观的各国专家、学者们也表现出了将人工智能应用于医学影像领域的强烈兴趣。其中,在现场被提及最多的是近期较为热门的三个人工智能可能发展的方向:联邦学习、深度学习自动化、通用表征学习。

联邦学习(federated learning)是一种能够让开发者与各企业机构利用分散在多个位置的训练数据对中心深度神经网络(DNN)进行训练的学习范式,该方法可以支持各企业机构针对共享模型开展协作,而无需共享任何临床数据。

联邦学习最早由谷歌提出,原本用于解决安卓手机终端用户在本地更新模型的问题,其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私,广泛运用于保险行业的人工智能算法学习。

而NVIDIA在MICCAI 2019上发布的首个面向医学影像的隐私保护型联邦学习系统,以及CVPR和 MICCAI 的领域主席、MICCAI2020程序委员会联席主席周少华教授提及的理论:联邦学习可能成为人工智能发展方向。更是将联邦学习直接引向聚焦话题。

MICCAI现场,柏视医疗CEO沈烁博士为NVIDIA医疗业务的副总裁Kimberly Powell详细介绍了柏视医疗的放疗靶区智能勾画解决方案,双方就靶区勾画解决方案的技术及临床应用等问题展开了深入的沟通和交流。

柏视医疗自主研发的放疗靶区智能勾画解决方案,包括全身危及器官自动勾画以及肿瘤靶区(GTV)、临床靶区(CTV)的智能勾画;采用了深度学习和传统影像分割法相结合的技术、加入临床知识和多种图像处理方法,仅需数十例数据对算法模型进行训练,就可以获得高精度的勾画结果。

经过测试,全身OAR勾画的平均Dice值高于0.9;GTV的勾画风格也可根据科室内部的勾画习惯进行个性化定制;该方案采用B/S架构,通过任意一台电脑的谷歌浏览器访问到指定服务器就可以进行自动勾画。

作为医学影像AI解决方案的开发者和提供商,柏视医疗致力于新技术的研发和临床应用,持续关注国际热门技术与临床需求,将人工智能技术更完美的与医学结合,更大程度的提升医师的工作效率,同时也希望专注人工智能医学影像的专家学者能加入柏视,与柏视医疗一起为智慧医疗的落地奋斗。