北京連心醫療科技有限公司，專注于腫瘤的放射治療領域，將機器學習、深度學習技術與放射治療相結合，實現危及器官和靶區的自動分割，自動計算放射量等，讓放療醫生和物理師從機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量。同時，連心醫療致力于把整個放療流程扁平化，使病人可以得到標準化的勾畫，專業的放療方案以及及時的放射治療，切實提升每個病人的治療效果。

腫瘤診療現狀——費時低效

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和死亡率都高于全球平均水平，每年花費在腫瘤診斷和治療上的費用高達3200億元。然而，我國接受放療的患者占比僅為22%，只占歐美主流國家的三分之一。放療屬于無創療法，能夠保留組織器官的機能和完整性，尤其對早期腫瘤的治愈率可高達90%。

在實施放射治療的過程中，醫生需要按照CT/MR拍攝診斷，手動勾畫危及器官和腫瘤靶區，再由物理師制定放射治療計劃方案，然后再在照射機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，不僅耗費放療醫生大量的時間，而且技術含量相對較低，放療醫生完成一位患者的危及器官勾畫通常需要花費3-5個小時。此外，患者從確診、勾畫危及器官和靶區勾畫、制定計劃、評估、優化到實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發生病變，難以準確定位，這也是物理師為何通常在設定照射區域時要在醫生勾畫的位置往外擴大一些的原因。

再加上醫療水平的差別，以及對解剖結構的理解差異等，不同醫生的危及器官與靶區勾畫習慣也迥然有別。醫生依照自己的知識體系進行勾畫，難以有一套可量化的勾畫標準及評定標準，在標準性和一致性上的效果都差強人意。這些環節無一不讓病人的治愈率大打折扣。一方面醫生在重復性、低水平工作上耗費了大量的時間；另一方面由于靶區勾畫存在人為誤差，物理師無法制定準確的放療方案。導致的結果是，病人承受著病痛的折磨，卻仍無法得到理想的治療效果。

近年興起的深度學習，在諸如ImageNet，Microsoft coco等數據集上表現出了驚人的能力，這也讓深度學習技術應用到醫療圖像處理上成為可能。

器官醫學圖像自動分割面臨的挑戰

器官分割旨在識別醫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，從而減少醫生的勾畫干預。醫療圖像分割從上世紀80年代開始一直都是圖像處理，屬于機器學習的活躍領域。在傳統圖像處理上，通過閾值處理，區域生長，高階算子等各種算法，對于肺部，骨頭等器官已經有許多令人印象深刻的結果。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，即便是醫生來勾畫也常需要豐富的經驗，并需借助解剖結構才能大致勾畫出器官組織。所以，這也一直是傳統圖像處理技術的瓶頸和難點。而且，醫療圖像通常相對較大，若使用傳統圖像處理方法對每一張圖串行處理，一套醫療圖像耗費的預測時間是讓人難以忍受的。

同時，鑒于醫療圖像的敏感性與特殊性，相關醫療圖像數據的獲取也一直是一大難題，而且不同醫院數據、機器接口及醫院系統還存在差異性。這些珍貴的醫療數據就像沉在海底的珍珠，發出點點閃光卻極難獲取。

深度學習帶來全新解決方案

由于深度神經網絡的強大特征提取能力，以及U-Net等圖像分割圖像網絡的出現，連心醫療的算法研究團隊在傳統U-Net的基礎上加上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。具體的網絡結構如圖1所示。

圖 1 連心3D U-Net網絡結構

數據方面，連心醫療和國內外30余家頂級放療科室深度合作，如哈佛大學醫學院、北醫三院，北京301醫院等，已經積累了26000例高質量的勾畫數據，并且通過數據增強等手段使其可以基本滿足訓練需求。圖2為心臟訓練的結果，左邊為醫生勾畫的標注數據，右邊為網絡的預測結果。

圖 2 心臟分割標注和預測對比

GPU加速計算實現多器官自動分割

目前，連心醫療使用NVIDIA GPU在訓練和預測兩個層面上進行加速。在訓練上，由于圖像數據的大小和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，所以一般團隊的訓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 不同設備的訓練和預測時間對比

依靠NVIDIA強大的GPU加速，可以看出，在訓練上一個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。這極大的降低了網絡模型的迭代速度，以及可以讓算法工程師快速的驗證算法。

圖 3 訓練時間柱狀圖對比

預測方面由于數據量小，無反向傳播以及前后傳統圖像處理的時間耗費，但仍然可以看出近20倍的處理速度提升。使得GPU進行預測實現多器官自動分割可以將數十分鐘的CPU計算，縮短到數分鐘完成。相對醫生花費數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下的運行結果，如果使用專用GPU及分布式GPU系統，可以很輕易地把全部器官預測勾畫時間進一步縮短至1分鐘以內，在數秒內便可完成全器官自動勾畫預測。

此外，在精度上，心臟預測可以達到85%以上的準確度，也就是說大部分的圖像醫生只需做很小的修改，甚至不修改就可以實現器官的自動分割。目前，連心人工智能算法已經能夠完成全身幾十種器官的自動分割。

在NVIDIA CUDA技術的GPU出現以前，由于神經網絡的復雜性，使用神經網絡來訓練模型甚至進行實時預測是難以想象的，而如今基于NVIDIA的高性能GPU平臺，不斷有更多更高性能的GPU發布出來，對整個醫療圖像領域來說，可以大大減少諸如危及器官勾畫這些機械式的任務負擔，進而一步一步實現真正的智慧醫療。