腾讯医疗AI新突破：提出器官神经网络，全自动辅助头颈放疗规划

腾讯医疗AI实验室又有新研究。

这次跟美国加州大学合作，在国际权威期刊《Medical Physics》发表最新研究成果：

《器官神经网络：深度学习用于快速和全自动整体头颈危及器官靶区勾画》

AnatomyNet: Deep Learning for Fast and Fully Automated Whole-volume Segmentation of Head and Neck Anatomy

该研究成果能让AI在头颈等重要器官的放射治疗规划中，发挥精准规划作用，最大限度将放射剂量集中在靶区内，而周围正常组织或器官少受或免受不必要的伤害。

比起单纯依靠人类医生，可以提升诊疗规划效率，降低勾勒时长，还能提升勾画准确率。

可以说是患者福音，医生益友。

基于深度学习的放疗靶区自动勾画

这个研究是这样的：

每年有超过六十万人被诊断患有头颈部癌症，其中许多人选择接受放射治疗。

但头颈部重要器官比较集中，解剖关系复杂，如果在治疗前未仔细隔离，放疗时周围组织可能会严重受损。

在头颈癌放疗过程中，医生根据患者CT图像手动描绘放疗靶区和危及器官（Organ at Risk，OaR），目的是最大限度将放射剂量集中在靶区内，而周围正常组织或器官少受或免受不必要的伤害。

然而勾勒过程非常耗时，降低诊疗效率的同时，更是耽误了患者的治疗时间。

若能让AI帮助分割过程，辅助放疗规划，肯定能协助医生、帮助患者。

于是围绕该问题，腾讯医疗AI实验室和加州大学提出一种深度学习模型——器官神经网络（AnatomyNet）。

该模型可以快速地对整张CT的所有切片进行全自动化器官分割（Segmentation），在小于1秒钟的时间内完成一整幅头颈CT的危及器官勾画，大幅度提升放疗靶区勾画效率。

器官神经网络的输入是头颈CT图像的所有切片。该神经网络可以一次性产生所有危及器官的预测结果。

具体构建上，器官神经网络基于常用的三维U网络（U-net）架构，但是腾讯AI实验室在三个重要的方面对其进行了扩展：

1）一种新的在整幅CT图像上进行自动分割的编码方式，而不是在局部图像块上，或者一部分CT图像切片上分割；
2）在编码层中，加入三维Squeeze-and-Excitation残差结构来进行更好的特征表示学习；
3）一种新的结合Dice损失和Focal损失的损失函数，用来更好地训练该神经网络。在深度学习的器官分割中，使用这些技巧解决两个主要的挑战：a）小器官的分割（比如，视神经和视交叉）。这些小器官仅仅只有几个切片。b）对于一些器官结构，数据标注不一致以及标注缺失给训练造成一些问题。