近期，中科院合肥研究院智能所智能感知技术中心宋博研究员团队在多模态医学图像处理技术研究方面取得重要进展：团队基于人工智能-深度学习技术的医学影像分析方法研究，开发了同步实现脊柱中心线提取及脊柱侧弯量化评估精确诊断模型，可大幅度提高检测精度和速度。目前该成果发表于医学影像分析顶会-医学图像计算和计算机辅助介入国际会议(The 24th International Conference on Medical Image Computing & Computer Assisted Intervention, MICCAI 2021)。
宋博研究员项目团队长期致力于基于人工智能-深度学习技术的医学影像分析方法研究及其在辅助诊疗过程中的临床应用。针对人体管状组织病变量化评估检测任务，项目团队基于深度学习技术，将管状解剖结构的分割问题转化为基于图像行向量的分类任务，并提出曲线卷积的模块，以解剖结构几何位置信息与语义特征融合作为输入，将管状解剖结构构成一条连续的曲线这一几何约束嵌入到深度学习特征提取过程，可同时完成管状解剖结构中心线提取和相应医学量化指标计算任务，从而提升检测精度和速度。
项目团队将上述方法应用于脊柱侧弯量化诊疗过程。脊柱侧弯严重影响青少年的身体健康，Cobb角是目前衡量脊柱侧弯的临床标准，精确计算Cobb角对于脊柱侧弯的治疗尤为重要。当前Cobb角估计研究通常依赖于脊椎角点的检测，这一类方法在检测角点之后还需要一系列复杂的后处理操作。基于上述问题，课题利用其在人体管状组织病变量化评估检测方面的技术成果，成功完成脊柱中心线提取和Cobb角计算任务。通过在公开数据集上测试，研究团队预测的脊柱中心坐标偏离实际中心线的欧氏距离小于15个像素占所有点的比例不小于92.25%，Cobb角平均计算误差由竞赛第一名的5.39°下降到4.77°。
该项研究可以广泛应用于食道、血管类疾病、脊柱类疾病等管状解剖结构的医学诊断。
MICCAI是国际公认的跨医学影像计算(MIC)和计算机辅助介入 (CAI) 两个领域的顶级综合性学术会议,具有非常强的国际影响力和高学术权威性,是医学影像分析领域的前沿热点风向标,引领该领域的未来发展方向。
该研究工作得到国家自然科学基金和安徽省重点研发项目的资助。
文章链接：https://link.springer.com/chapter/10.1007/978-3-030-87240-3_36
图1 团队提出的基于行的检测方法和曲线卷积结构
图2 整体网络框架
图3. 脊柱中心线提取结果：img:为患者X光扫描图像，gt:为金标准，segmentation:为传统使用分割的方法得到脊柱中心线，Row-wise和joint为使用我们提出的方法得到的脊柱中心线
