爱吧机器人网 » 技术 > 神经网络 > 正文

百度提出NCRF:深度学习癌症图像检测效率再提升

选自Baidu Research
作者:Yi Li、Wei Ping
机器之心编译
参与:李泽南、李亚洲

深度学习在医疗图像疾病检测方向上的发展很快,但目前仍面临着易出现假阳性的问题。近日,百度研究人员提出了 NCRF(神经条件随机场)方法,在提升肿瘤图像准确率的同时也减少了假阳性的出现几率。该研究的论文已被即将在 7 月举行的深度学习医疗图像大会 MIDL 2018 接收。

NCRF 项目已开源:https://github.com/baidu-research/NCRF

目前在医疗领域有很多癌症诊断方法,其中病理学活体检测被认为是最为可信的标准。然而,对病理学切片进行分析并不是一件容易的事,即使对于经验丰富的病理学家而言也是有挑战的事情。一个放大 40 倍的病理切片数字图像通常包含数十亿像素,而在这样大规模的内容里,病理学家有时需要找寻微转移、肿瘤细胞细小群体等早期癌症征兆。这些任务让审查病理切片,而不遗漏任何临床证据成为了一项非常复杂耗时的工作。


随着人工智能的发展,人们已经提出了各种基于深度学习的算法来帮助病理学家有效审查这些切片,并检测癌症转移。由于切片的原始数字图像非常大,大多数算法目前会将图片切割成大量小图片 (patch) 进行处理,如 256×256 像素尺寸的图片——然后训练并使用深度卷积神经网络来对肿瘤细胞和正常细胞进行分类。然而,这种方法有时难以在不知晓周围内容的情况下预测小图片中是否存在肿瘤,特别是在肿瘤/正常区域的边界上,经常会出现假阳性。

图 2 展示了这类方法的困难:


百度研究人员近日提出了一个新的深度学习算法,该方法不仅分析单个小图片,也将图片四周临近的网格一并输入进行肿瘤细胞分析。就像放大图片,看到更大区域从而做出更有置信度的判断一样。在这里,相邻切片之间的空间相关性通过特定类型的概率图形模型(条件随机场)进行建模。整个深度学习框架可以在 GPU 上进行端到端的训练,无需任何后处理过程。

图 3 展示了该算法的架构:


百度研究人员称,通过考虑相邻图片之间的相关性,新算法发生的误报次数少了很多。图 4 展示了在示例肿瘤图片上,新算法与不考虑临近图片的算法之间的预测效果比较。我们可以看到,除了基本的真肿瘤区域以外,新算法的假阳性区域相较基准算法要少很多。

图 4.(a) 原始的完整切片图像;(b) 病理学家注释的图像,白色区域表示癌症转移;(c) 通过之前的算法预测癌症区域,不考虑临近图像块;(d) 通过百度的算法预测癌症区域。

在 Camelyon16 挑战赛测试集上,百度的算法在癌症定位上的得分(FROC)为 0.8096,超越了专业的病理学家(0.7240)和前一个 Camelyon16 挑战赛冠军(0.8074)。此外,百度还在 Github 上开源了此算法,希望能够促进病理分析领域的 AI 研究。

这种全新的癌症检测算法有潜力改进病理切片镜检的效率与准确率。这能使得病理学家更加关注算法重点强调的癌症区域,而不是检查整个切片。不过,要综合评估该算法,还需要在更大数据集上做进一步的临床研究。

更多信息可查看以下论文:

注:在数字病理切片中,在 40 倍的放大下一个像素大概长 0.243 微米。微转移一般定义为一组癌细胞最大直径超过 200 微米,也就是大概 823 像素。

论文:Cancer Metastasis Detection With Neural Conditional Random Field



论文链接:https://openreview.net/forum?id=S1aY66iiM

摘要:乳腺癌诊断通常要求通过全切片数字化图像(WSI)对淋巴结癌细胞转移进行准确检测。近期深度卷积神经网络的发展使得医疗影像分析取得了极大成功,尤其是在计算病理组织学方面。由于 WSI 非常大,大部分方法都将整张图像切分成很多小的图像块,再对每个图像块分别进行分类。但是,相邻图像块通常具备空间关联,忽视此类关联可能会导致预测结果不一致。本论文提出一种神经条件随机场(neural conditional random field,NCRF)深度学习框架,来检测 WSI 中的癌细胞转移。NCRF 通过一个直接位于 CNN 特征提取器上方的全连接 CRF,来考虑相邻图像块之间的空间关联。整个深度网络可以使用标准反向传播算法,以最小算力进行端到端的训练。CNN 特征提取器也可以从利用 CRF 考虑空间关联中受益。与不考虑空间关联的基线方法相比,NCRF 框架可获取更高视觉质量的图像块预测概率图。我们还展示了在 Camelyon16 数据集上该方法在癌细胞转移检测方面优于基线方法,在测试集上取得了 0.8096 的平均 FROC 分数。

原文链接:https://research.baidu.com/Blog/index-view?id=104

本文为机器之心编译,转载请联系本公众号获得授权


上一篇:分离特征抽取与决策制定 如何用6-18个神经元玩转Atari游戏
下一篇:Inception Network 各版本演进史
精选推荐
九台“猎豹”机器人组队踢球,麻省理工高材生们的高级趣味
九台“猎豹”机器人组队踢球,麻省理工高材生们的高级趣味

[2019-11-09]  本周,在麻省理工学院10号楼外草坪上展开了一场别开生面的足球比赛。在绿草如茵的基利安球场上,一群由人工智能驱动的机器人就是这场比赛的 ...

[2018-01-26]  纽约时报的报道,德国的研究人员已经开发出一种长约七分之一英寸的机器人,首先看起来不过是一小块橡皮条。然后它开始移动。机器人走路,跳跃,爬行,滚动和游泳。它甚至爬出......

2017年:AI渗入云端
2017年:AI渗入云端

[2017-12-29]  云中的人工智能不仅仅是科技巨头的权力游戏,它也可能是人工智能领域的下一个飞跃。加利福尼亚州的Rigetti Computing公司刚刚使用其原型量子芯片之一在其云平台上运行机器学......

为未来战场创造更有效的机器人 美国陆军研究人工纳米马达
为未来战场创造更有效的机器人 美国陆军研究人工纳米马达

[2019-10-11]  为了使机器人在战斗中更有效、更多才多艺地成为士兵的战友,美国陆军研究人员正在执行一项任务,即研究肌肉分子生命功能的价值,以及复制过 ...

麻省理工又秀神技:推出如魔法般跳跃的方块机器人集群
麻省理工又秀神技:推出如魔法般跳跃的方块机器人集群

[2019-10-31]  几天前,小编向大家介绍过麻省理工(MIT)研发的一种自组装机器人集群(点此阅览),它们可以用统一标准的小单元自动组装出各种大型结构。 ...

美国人工智能公司Skymind进入福建全面开展业务
美国人工智能公司Skymind进入福建全面开展业务

[2017-12-11]  人工智能在当今这个时代对大家来说想必是非常熟悉的,这也是我国近十几年来一直追求的目标,未来的时间里这也将是全人类追求的目标。就目前来看,近年来,人工智能或在我国迎......

揭秘达芬奇手术机器人
揭秘达芬奇手术机器人

[2018-04-19]  达芬奇手术系统是由美国Intuitive Surgical公司制造的机器人手术系统。美国食品和药物管理局(FDA)于2000年通过该标准,旨在利用微创手段 ...

MIT用深度学习处理3D点云数据 应用于无人汽车等领域
MIT用深度学习处理3D点云数据 应用于无人汽车等领域

[2019-10-23]  如果你见过自动驾驶汽车,也许会对车顶上那个一直在旋转的圆柱体感到好奇。这是一个雷达传感器,无人驾驶汽车依靠它在现实世界中进行导航。 ...

本周栏目热点

神经网络:人工智能以及我们的未来

[2016-11-20]   作者:James Crowder翻译:王益军审校:心原文链接:techcrunch把自己想象成在一辆未来的自动驾驶汽车的乘客。这辆汽车与你以一种 ...

[2016-11-20]   include "stdio h" include "stdlib h" include "time h" include "math h" *********************************************i ...

OpenAI开辟全新AI音乐领域,发布Jukebox神经网络生产歌曲

[2020-05-19]  日前,外媒报道,人工智能(AI)技术生成的音乐会给人们带来非常奇妙体验。其中有两大原因,第一,这是一个非常吸引人的全新领域;第二,这 ...

50行代码玩转生成对抗网络GAN模型!(附源码)

[2018-07-30]  本文为大家介绍了生成对抗网络(Generate Adversarial Network,GAN),以最直白的语言来讲解它,最后实现一个简单的 GAN 程序来帮助大家加深理解。...

深度神经网络揭示了大脑喜欢看什么

[2019-11-06]  爱吧机器人网编者按:近日,《自然-神经科学》发表了一篇论文,研究人员创建了一种深度人工神经网络,能够准确预测生物大脑对视觉刺激所产 ...