北京連心醫(yī)療科技有限公司，專注于腫瘤的放射治療領(lǐng)域，將機(jī)器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)與放射治療相結(jié)合，實(shí)現(xiàn)危及器官和靶區(qū)的自動分割，自動計(jì)算放射量等，讓放療醫(yī)生和物理師從機(jī)械性工作中解脫出來，提升工作效率和效能，從而提高腫瘤患者的生存質(zhì)量。同時，連心醫(yī)療致力于把整個放療流程扁平化，使病人可以得到標(biāo)準(zhǔn)化的勾畫，專業(yè)的放療方案以及及時的放射治療，切實(shí)提升每個病人的治療效果。

腫瘤診療現(xiàn)狀——費(fèi)時低效

放療是腫瘤治療的三大手段之一。目前，我國乃至全球的癌癥診治都面臨著重大壓力，尤其是我國腫瘤患者總數(shù)和死亡率都高于全球平均水平，每年花費(fèi)在腫瘤診斷和治療上的費(fèi)用高達(dá)3200億元。然而，我國接受放療的患者占比僅為22%，只占?xì)W美主流國家的三分之一。放療屬于無創(chuàng)療法，能夠保留組織器官的機(jī)能和完整性，尤其對早期腫瘤的治愈率可高達(dá)90%。

在實(shí)施放射治療的過程中，醫(yī)生需要按照CT/MR拍攝診斷，手動勾畫危及器官和腫瘤靶區(qū)，再由物理師制定放射治療計(jì)劃方案，然后再在照射機(jī)器上讓患者接受放射治療。手動勾畫危及器官的過程繁雜且冗長，不僅耗費(fèi)放療醫(yī)生大量的時間，而且技術(shù)含量相對較低，放療醫(yī)生完成一位患者的危及器官勾畫通常需要花費(fèi)3-5個小時。此外，患者從確診、勾畫危及器官和靶區(qū)勾畫、制定計(jì)劃、評估、優(yōu)化到實(shí)施治療通常需要一到兩周的時間，此時，確診時的病灶很有可能已經(jīng)發(fā)生病變，難以準(zhǔn)確定位，這也是物理師為何通常在設(shè)定照射區(qū)域時要在醫(yī)生勾畫的位置往外擴(kuò)大一些的原因。

再加上醫(yī)療水平的差別，以及對解剖結(jié)構(gòu)的理解差異等，不同醫(yī)生的危及器官與靶區(qū)勾畫習(xí)慣也迥然有別。醫(yī)生依照自己的知識體系進(jìn)行勾畫，難以有一套可量化的勾畫標(biāo)準(zhǔn)及評定標(biāo)準(zhǔn)，在標(biāo)準(zhǔn)性和一致性上的效果都差強(qiáng)人意。這些環(huán)節(jié)無一不讓病人的治愈率大打折扣。一方面醫(yī)生在重復(fù)性、低水平工作上耗費(fèi)了大量的時間；另一方面由于靶區(qū)勾畫存在人為誤差，物理師無法制定準(zhǔn)確的放療方案。導(dǎo)致的結(jié)果是，病人承受著病痛的折磨，卻仍無法得到理想的治療效果。

近年興起的深度學(xué)習(xí)，在諸如ImageNet，Microsoft coco等數(shù)據(jù)集上表現(xiàn)出了驚人的能力，這也讓深度學(xué)習(xí)技術(shù)應(yīng)用到醫(yī)療圖像處理上成為可能。

器官醫(yī)學(xué)圖像自動分割面臨的挑戰(zhàn)

器官分割旨在識別醫(yī)療圖像中的各個器官，把不同器官自動地在圖像中分割出來，從而減少醫(yī)生的勾畫干預(yù)。醫(yī)療圖像分割從上世紀(jì)80年代開始一直都是圖像處理，屬于機(jī)器學(xué)習(xí)的活躍領(lǐng)域。在傳統(tǒng)圖像處理上，通過閾值處理，區(qū)域生長，高階算子等各種算法，對于肺部，骨頭等器官已經(jīng)有許多令人印象深刻的結(jié)果。但是對于大部分的軟組織器官，由于其邊界不明顯，HU值變化小等特點(diǎn)，即便是醫(yī)生來勾畫也常需要豐富的經(jīng)驗(yàn)，并需借助解剖結(jié)構(gòu)才能大致勾畫出器官組織。所以，這也一直是傳統(tǒng)圖像處理技術(shù)的瓶頸和難點(diǎn)。而且，醫(yī)療圖像通常相對較大，若使用傳統(tǒng)圖像處理方法對每一張圖串行處理，一套醫(yī)療圖像耗費(fèi)的預(yù)測時間是讓人難以忍受的。

同時，鑒于醫(yī)療圖像的敏感性與特殊性，相關(guān)醫(yī)療圖像數(shù)據(jù)的獲取也一直是一大難題，而且不同醫(yī)院數(shù)據(jù)、機(jī)器接口及醫(yī)院系統(tǒng)還存在差異性。這些珍貴的醫(yī)療數(shù)據(jù)就像沉在海底的珍珠，發(fā)出點(diǎn)點(diǎn)閃光卻極難獲取。

深度學(xué)習(xí)帶來全新解決方案

由于深度神經(jīng)網(wǎng)絡(luò)的強(qiáng)大特征提取能力，以及U-Net等圖像分割圖像網(wǎng)絡(luò)的出現(xiàn)，連心醫(yī)療的算法研究團(tuán)隊(duì)在傳統(tǒng)U-Net的基礎(chǔ)上加上3D卷積，殘差模塊，膨脹卷積等操作，在處理梯度消失，提升感受野等方面均得到較好的提升。具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖 1 連心3D U-Net網(wǎng)絡(luò)結(jié)構(gòu)

數(shù)據(jù)方面，連心醫(yī)療和國內(nèi)外30余家頂級放療科室深度合作，如哈佛大學(xué)醫(yī)學(xué)院、北醫(yī)三院，北京301醫(yī)院等，已經(jīng)積累了26000例高質(zhì)量的勾畫數(shù)據(jù)，并且通過數(shù)據(jù)增強(qiáng)等手段使其可以基本滿足訓(xùn)練需求。圖2為心臟訓(xùn)練的結(jié)果，左邊為醫(yī)生勾畫的標(biāo)注數(shù)據(jù)，右邊為網(wǎng)絡(luò)的預(yù)測結(jié)果。

圖 2 心臟分割標(biāo)注和預(yù)測對比

GPU加速計(jì)算實(shí)現(xiàn)多器官自動分割

目前，連心醫(yī)療使用NVIDIA GPU在訓(xùn)練和預(yù)測兩個層面上進(jìn)行加速。在訓(xùn)練上，由于圖像數(shù)據(jù)的大小和3D卷積的原因，即便是在batch size為1的情況所使用的顯存也需要7G以上，所以一般團(tuán)隊(duì)的訓(xùn)練都采用模型并行的方法，把模型的不同部分放到多塊GPU上來解決顯存不足的問題。表1為心臟分割的本地CPU測試，單GPU測試，雙GPU測試以及四GPU測試的時間對比。

表 1 不同設(shè)備的訓(xùn)練和預(yù)測時間對比

依靠NVIDIA強(qiáng)大的GPU加速，可以看出，在訓(xùn)練上一個epoch的時間，單GPU處理速度相對于CPU提升了80多倍。四GPU處理速度對CPU更是提升了近300倍。而且隨著GPU數(shù)量的增加，性能幾乎是線性增長的，如圖3所示。這極大的降低了網(wǎng)絡(luò)模型的迭代速度，以及可以讓算法工程師快速的驗(yàn)證算法。

圖 3 訓(xùn)練時間柱狀圖對比

預(yù)測方面由于數(shù)據(jù)量小，無反向傳播以及前后傳統(tǒng)圖像處理的時間耗費(fèi)，但仍然可以看出近20倍的處理速度提升。使得GPU進(jìn)行預(yù)測實(shí)現(xiàn)多器官自動分割可以將數(shù)十分鐘的CPU計(jì)算，縮短到數(shù)分鐘完成。相對醫(yī)生花費(fèi)數(shù)小時手動勾畫危及器官的工作效率，可見一斑。需要注意的是，示例只是使用了非常常見的普通GPU，測試了單GPU，雙GPU和四GPU下的運(yùn)行結(jié)果，如果使用專用GPU及分布式GPU系統(tǒng)，可以很輕易地把全部器官預(yù)測勾畫時間進(jìn)一步縮短至1分鐘以內(nèi)，在數(shù)秒內(nèi)便可完成全器官自動勾畫預(yù)測。

此外，在精度上，心臟預(yù)測可以達(dá)到85%以上的準(zhǔn)確度，也就是說大部分的圖像醫(yī)生只需做很小的修改，甚至不修改就可以實(shí)現(xiàn)器官的自動分割。目前，連心人工智能算法已經(jīng)能夠完成全身幾十種器官的自動分割。

在NVIDIA CUDA技術(shù)的GPU出現(xiàn)以前，由于神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，使用神經(jīng)網(wǎng)絡(luò)來訓(xùn)練模型甚至進(jìn)行實(shí)時預(yù)測是難以想象的，而如今基于NVIDIA的高性能GPU平臺，不斷有更多更高性能的GPU發(fā)布出來，對整個醫(yī)療圖像領(lǐng)域來說，可以大大減少諸如危及器官勾畫這些機(jī)械式的任務(wù)負(fù)擔(dān)，進(jìn)而一步一步實(shí)現(xiàn)真正的智慧醫(yī)療。