国际医学图像计算和计算机辅助干预会议MICCAI2019 (International Conference on Medical Image Computing and Computer Assisted Intervention, MICCAI)录用结果公布，深睿研究院（Deepwise AI Lab）共有5篇论文被接收。
MICCAI是由国际医学图像计算和计算机辅助干预协会(Medical Image Computing and Computer Assisted Intervention Society) 举办，跨医学影像计算(MIC)和计算机辅助介入 (CAI) 两个领域的综合性学术会议，是该领域的顶级会议，吸引了全球134所顶级科研高校的研究团队共同参与，被认为有着非常强的国际影响力和非常高的学术权威性。随着人工智能在各个领域的蓬勃发展，今年MICCAI论文投稿数量再创历史新高，相比去年增长了70%，遵循MICCAI对学术交流的深度和质量要求，今年仅收录了540篇，录取率仅31%，收录的论文代表了最前沿的图像计算和计算机辅助领域的前沿技术，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。
深睿研究院自成立以来持续参与MICCAI投稿，今年深睿医疗投出10篇稿件，录用5篇，录取率高达50%，由此可见，深睿研究院是一支重量更重质的科研团队。本次深睿研究院被收录的五篇论文研究方向涵盖语义分割、目标检测以及多任务学习等，在人工智能医疗应用领域取得了创新性的突破。同时这些处于科技前沿的科研成果已被部分应用于深睿医疗的Dr.Wise®AI辅助诊断产品中，在临床应用中取得了良好的效果。
以下为五篇入选论文科研成果概述：
Yuhang Liu, Shu Zhang, Ling Luo, Qianyi Zhang, Fandong Zhang, Xiuli Li, Yizhou Wang, Yizhou Yu. From Unilateral to Bilateral Learning: Detecting Mammogram Mass with Contrasted Bilateral Network. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI),2019.
众所周知，基于乳腺X线影像的肿块检测对于乳腺癌早期诊断具有重要的临床意义。本文提出了基于深度学习的乳腺X线肿块检测算法，显式建模乳腺钼靶图像的双边信息。通过采用形变容忍模块适应双侧乳腺局部区域的非刚性变化，以及在逻辑双边模块中嵌入了医生阅片内在逻辑，显著的提升了算法效果，在乳腺X线影像公开数据集DDSM上，同等假阳性数量下，本方法的检出敏感性超过现有方法高达5个百分点，充分验证了算法的有效性。
（网络框架图。模型以配准后的双侧乳腺图像作为输入，其中形变容忍模块Distortion Insensitive Comparison Module通过ROI Align抵抗因配准带来的局部非刚性变化；逻辑双边模块Logic Guided Bilateral Module嵌入了医生阅片的领域知识，提升了模型性能）
Zihao Li, Shu Zhang, Junge Zhang, Kaiqi Huang, Yizhou Wang, Yizhou Yu. MVP-Net: Multi-view FPN with Position-aware Attention for Deep Universal Lesion Detection. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI),2019.
本文是深睿研究院和中科院自动化所基于CT图像的全器官病灶检测器的科研探索，这项技术在肺结节、脑卒中等在日常诊疗过程中开始发挥越来越重要的作用。而具有统一框架的通用病灶检测器虽然有着极其广泛的应用前景，但目前仍鲜有研究。本文基于NIH公布的迄今规模最大的CT图像数据集DeepLesion，构建了一个可以检出全身各种病灶的通用病灶检测器。结合医生在临床诊断中的专业经验，研究员们提出了一种多视角目标检测网络来融合多种窗宽窗位下的图像信息。该网络通过位置敏感的注意力模块来有效的融合来自不同窗宽窗位的信息。实验结果表明我们的模型将4个假阳性下的识别准确率从84.37%提高到91.30%。
（MVP-Net的网络框架图。Part-A展示了建模多窗宽窗位信息融合的多视角FPN检测网络。 Part-B展示了我们提出的位置敏感模块。 Part-C中使用注意力模块对来自不同窗宽窗位的特征进行融合）
癌中之王的胰腺癌，被称为21世纪肿瘤界最后一个堡垒。无论从诊断、治疗还是基础研究方面，虽然进展很多，但仍举步维艰。由于胰腺的大小和形状多变，和周围的组织对比度低，并且在整个腹腔内体积占比较小，所以基于腹部CT影像进行胰腺器官的自动分割是一个非常大的挑战，深睿研究院本次有两篇收录的论文针对这一挑战进行不同的创新尝试。
Chaowei Fang, Guanbin Li, Chengwei Pan, Yiming Li, Yizhou Yu. Globally Guided Progressive Fusion Network for 3D Pancreas Segmentation. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2019.
本文的主要贡献是，提出了一个创新的语义分割模型，解决了目前已有的方法不能兼顾全局特征和局部上下文信息的问题。本文提出了一个具有渐进式融合模块和全局引导分支的体素分割模型，可以更好更高效地利用3D特征从当前层CT图像提取的3D邻域学习3D局部特征并预测对应的2D分割结果，而全局引导分支则可以利用缩小的当前层CT的完整图像来补充全局特征。我们的方法在两个胰腺分割数据集上取得最佳结果。
（我们的方法的整体框架）
Huai Chen, Xiuying Wang, Yi-Jie Huang, Xiyi Wu, Yizhou Yu, Lisheng Wang. Harnessing 2D Networks and 3D Features for Automated Pancreas Segmentation from Volumetric CT Images. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2019.
本文是深睿研究院和上海交通大学合作的科研成果，在这篇文章里研究团队构建了一个新的方法，为了充分利用三维信息，首次引入维度自适应模块桥接三维信息和经预训练的二维网络。通过在NIH胰腺分割数据集进行测试和验证，平均计算时间控制在0.4分钟左右，具备很强的临床实用性。
（为了结合多源特征进行精确预测，维度自适应模块（DAMS）将预先训练的二维网络内部特征接入三维网络和融合决策模块。）
Wei Zhang, Guanbin Li, Fuyu Wang, Longjiang E, Yizhou Yu, Liang Lin, Huiying Liang. Simultaneous Lung Field Detection and Segmentation for Pediatric ChestRadiographs. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2019.
基于X光影像的肺部区域分割在临床诊断和治疗中具有重要意义，但是由于公开数据集的缺乏以及小儿X光影像与成人影像之间存在的巨大领域差异（例如尺度、大小、方向等）导致针对小儿肺部区域分割的研究相对滞后。本文是由广州市妇女儿童医疗中心梁会营教授牵头发起，深睿研究院和中山大学一起合作进行的研究，首次提出了一种针对小儿X光肺部区域同时进行检测与分割的多任务卷积神经网络SDSLung算法框架。实验结果表明文中所提出的算法可以显著提升小儿X光肺部区域分割的精度，同时对于成人的X光肺部数据依然可以取得当前最佳的性能。小儿肺部区域分割的算法对于后续的小儿肺部疾病分析、以及辅助手术治疗等至关重要。
（我们的深度神经网络的整体框架）
深睿研究院（Deepwise AI Lab）
深睿研究院（Deepwise AI Lab）一直处于行业领先地位，是目前行业内规模最大的专注于人工智能医疗领域的研究机构之一，从成立以来一直致力于医疗前沿科技的探索，通过科技与临床的结合，产生了众多兼具临床价值和科技创新性的科研成果，陆续被国际顶级期刊和会议收录。截止到目前为止，深睿研究院在人工智能与机器学习顶级期刊及会议（如Science Robotics、TPAMI、TCyb、TIP、ICML、CVPR、ICCV、ECCV、AAAI等）上发表论文近三十篇，其中涵盖了计算机视觉和模式识别领域三大顶级国际会议，尤其是连续两年在备受瞩目的顶级会议CVPR（谷歌2019学术榜Top 10）上均有学术成果发表，在国内人工智能领域的科技公司中处于前列；同时，在医学影像计算与分析领域，如IPMI、MICCAI、ISBI、RSNA等顶级会议上，发表论文二十余篇。
