近日，中国科学院深圳先进技术研究院先进计算与数字工程研究所研究员李烨团队针对医学影像病变自动识别与分割问题提出了一种基于边界信息响应的上下文感知深度神经网络，有效提升了医学影像中病变区域的自动分析与识别准确率。该成果以Boundary-aware context neural network for medical image segmentation为题发表Medical Image Analysis上。
　　通过人工智能算法，从不同医学图像中自动检测和识别病灶部位可以为病人的诊断、治疗以及预后监测提供一种快速且有效的计算机辅助诊断方法，提高放射科医生的工作效率，满足日益增长的影像和诊断服务需求，同时还可以有效地缓解资深专业放射科医生短缺问题，为准确及时的医学诊断提供辅助的影像学证据。医学图像中病变通常表现出形态、分布不规则，与周围正常组织器官区分度低，边缘模糊等特性，为精确自动识别带来了巨大挑战。针对上述问题，研究团队提出了一种基于边界信息响应的上下文感知深度网络架构。该构架通过级联构建的金字塔边缘提取模块，多任务学习模块以及交叉特征融合模块，自适应地聚合多层次、细粒度的图像特征，提升了深度神经网络对病变形态、分布及边缘信息等复杂结构的感知，降低了周围正常组织器官、噪声等因素的干扰，极大改善了分割的准确率。提出的方法在皮肤镜图像、内窥镜图像以及X光图像等多种模态医学影像病变区域分割任务上表现优异，在ISIC2017国际皮肤镜图像分割挑战赛测试数据上识别精度达到81.0%，在基于内窥镜图像的结肠息肉识别精度达到88.5%，X光图像的肺器官分割精度达到92.8%。该研究提出的模型对比其他多种深度学习方法，分割表现较好。
　　该研究工作得到了中科院战略性先导科技专项（B类）以及国家自然科学基金等项目资助。
　　论文链接 
　　基于边界信息响应的上下文感知深度神经网络示意图