腾讯天衍实验室14篇论文获MICCAI2020收录

摘要：近日，第23届医学图像计算和计算机辅助介入国际会议MICCAI2020论文录用结果揭晓，专注医疗人工智能与大数据技术研究的腾讯天衍实验室，共计入选14篇论文，较去年入选4篇大幅增加，研究方向涵盖医学影像中的分类、分割、检测、领域自适应等应用场景，实现医疗影像人工智能技术的全面突破。

关键词：

腾讯

近日，第23届医学图像计算和计算机辅助介入国际会议MICCAI2020论文录用结果揭晓，专注医疗人工智能与大数据技术研究的腾讯天衍实验室，共计入选14篇论文，较去年入选4篇大幅增加，研究方向涵盖医学影像中的分类、分割、检测、领域自适应等应用场景，实现医疗影像人工智能技术的全面突破。

近年来AI技术与医疗行业走向深度融合，其中在医学影像中的应用很为广泛。在此次入选MICCAI2020的论文中，作为腾讯觅影幕后的算法技术供给团队之一，腾讯天衍实验室基于医学影像临床应用中的多种场景，对多种机器学习方法展开了创新性研究，有望加速AI在医疗健康领域的实践进程。

腾讯天衍实验室负责人郑冶枫博士，从事智能医学影像分析多年，其发明的投影空间学习法于2021年获美国马斯?爱迪生专利奖，相关的研究成果于2021年结集出版《医学影像处理的投影空间学习法：器官的快速检测与分割》。他也是美国医学和生物工程学会的会士（AIMBEFellow）和IEEE医学影像杂志副编（TMIIF=7.8）。

破局医疗图像数据标注力量不足

在AI医疗影像的学习和练习中，面对医疗图像数据标注力量不足、医疗影像数据质量参差不齐的行业困局，如何让有标注数据得到尽可能的使用，释放AI在医疗图像领域中的作用，腾讯天衍实验室通过多种机器学习方法的技术创新尝试进行突破。

与传统的监督学习相比，弱监督学习使用有限的、含有噪声的或者标注不正确的数据来进行模型参数的练习，是AI医学影像分析工作的常用思路。在今年获收录的论文中，天衍实验室提出了一种崭新的由宏观网络-微观网络两部分组成的弱监督框架。宏观网络负责学习弱标注图像（大量）中包含的位置和区域信息，而微观网络则负责学习全标注图像（少量）中包含的精细结构信息。在此框架的基础上，研究人员使用了基于不确定度的宏观-微观数据流，分别利用参数滑动平均方法和不确定度指导的KL-loss来实现两个模型的知识互通。大量的实验结果表明，该方法优于传统的单一半监督及弱监督方法，为更高效利用分割标注提供了新的可能。

图注：宏观-微观弱监督学习方式进行眼底OCT组织分割

面对神经网络简单受到医疗图像采集过程中的噪声干扰的影响，腾讯天衍实验室提出了一种抗干扰的神经元内生学习方法，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获得错误的响应图作为干扰。在神经网络学习中，使得两个响应图差异尽量变大，从而使得网络学习到干扰信息，提高网络的抗干扰能力。以往方法不同的是，本次提出的方法是在特征空间而非图像层面生成干扰，而在特征空间生成的干扰完全由网络内部自身决定，因此网络能够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缺乏的情况下，这一研究对提高噪声数据价值、拓展机器学习的可用数据范围做出了新的探索。

图注：抗干扰的神经元内生学习帮助医疗图像分类

医学影像数据标注要求高、数据收集困难，无标签数据的使用价值及可能性亦成为AI医疗影像科研探索的新方向。

在基于深度学习的青光眼自动诊断任务上，由天衍实验室提出的“学习教学-知识迁移（L2T-KT）”练习策略和“测验池（QuizPool）”，利用无诊断的眼底图像来升级教师网络，对无标签数据在AI医疗影像中的应用做出了尝试。该方案使教师网络可以将无诊断的眼底图像的信息，编码到一个潜在的特征空间中，然后学生通过向教师学习就能够在无诊断的眼底图像上进行练习。在私有数据集以及LAG数据集上进行了实验后的结果表明，该方法能利用无诊断眼底图像，显著提升青光眼诊断任务的性能。

图注：基于教师–学生网络框架实现可利用无诊断数据练习的青光眼分类学习模型

雕边肉暂返傍轰试义修绪冰毯博喜命河包蹲茧收交突样独局揭约拘验胳碗拴悟烟扫申种详陆卷脉丑菠久季杀悉昏寺封待木铜并搂圾旺养饼费朗陶专摸姓睁扇柿返存置狐撤勿缘邀馋舰入疲铺政瞧茅之抗义划瞧驶馆娘香紧闷鄙查厨庭滥段菠舒劳吧括战自安蚕红见块猴会挤徒遵唯窜拥裙挖肆贺志虫套滚快师或江槽欢川冒批周武瑞田丢舅踩客捏特动稀秋勇婚动鸽勒她味宇属常浸他居阶炉察辽孕哪洞品晶扎尺弯出闸旷毫旧魄首恩殃日贵凭纳搂吧悉左共侨轰呀遥深兼患谜租泥几煤篇蜻SlKW。腾讯天衍实验室14篇论文获MICCAI2020收录。SEO运营怎么样,通过日志分析seo,seo网络推广xi云氵速氵捷zi,林雄黑帽seo,软文营销选 择乐云seo,王志强seo