首页 > 最新资讯 > 深度学习赋能肿瘤诊疗,GPU加速计算实现器官自动分割
深度学习赋能肿瘤诊疗,GPU加速计算实现器官自动分割

深度学习赋能肿瘤诊疗,GPU加速计算实现器官自动分割

2018-12-21 09:00

#深度学习


 

北京连心医疗科技有限公司,专注于肿瘤的放射治疗领域,将机器学习、深度学习技术与放射治疗相结合,实现危及器官和靶区的自动分割,自动计算放射量等,让放疗医生和物理师从机械性工作中解脱出来,提升工作效率和效能,从而提高肿瘤患者的生存质量。同时,连心医疗致力于把整个放疗流程扁平化,使病人可以得到标准化的勾画,专业的放疗方案以及及时的放射治疗,切实提升每个病人的治疗效果。

 
 

 

肿瘤诊疗现状——费时低效

 

放疗是肿瘤治疗的三大手段之一。目前,我国乃至全球的癌症诊治都面临着重大压力,尤其是我国肿瘤患者总数和死亡率都高于全球平均水平,每年花费在肿瘤诊断和治疗上的费用高达3200亿元。然而,我国接受放疗的患者占比仅为22%,只占欧美主流国家的三分之一。放疗属于无创疗法,能够保留组织器官的机能和完整性,尤其对早期肿瘤的治愈率可高达90%。

 

在实施放射治疗的过程中,医生需要按照CT/MR拍摄诊断,手动勾画危及器官和肿瘤靶区,再由物理师制定放射治疗计划方案,然后再在照射机器上让患者接受放射治疗。手动勾画危及器官的过程繁杂且冗长,不仅耗费放疗医生大量的时间,而且技术含量相对较低,放疗医生完成一位患者的危及器官勾画通常需要花费3-5个小时。此外,患者从确诊、勾画危及器官和靶区勾画、制定计划、评估、优化到实施治疗通常需要一到两周的时间,此时,确诊时的病灶很有可能已经发生病变,难以准确定位,这也是物理师为何通常在设定照射区域时要在医生勾画的位置往外扩大一些的原因。

 

再加上医疗水平的差别,以及对解剖结构的理解差异等,不同医生的危及器官与靶区勾画习惯也迥然有别。医生依照自己的知识体系进行勾画,难以有一套可量化的勾画标准及评定标准,在标准性和一致性上的效果都差强人意。这些环节无一不让病人的治愈率大打折扣。一方面医生在重复性、低水平工作上耗费了大量的时间;另一方面由于靶区勾画存在人为误差,物理师无法制定准确的放疗方案。导致的结果是,病人承受着病痛的折磨,却仍无法得到理想的治疗效果。

 

近年兴起的深度学习,在诸如ImageNet,Microsoft coco等数据集上表现出了惊人的能力,这也让深度学习技术应用到医疗图像处理上成为可能。

 

器官医学图像自动分割面临的挑战

 

器官分割旨在识别医疗图像中的各个器官,把不同器官自动地在图像中分割出来,从而减少医生的勾画干预。医疗图像分割从上世纪80年代开始一直都是图像处理,属于机器学习的活跃领域。在传统图像处理上,通过阈值处理,区域生长,高阶算子等各种算法,对于肺部,骨头等器官已经有许多令人印象深刻的结果。但是对于大部分的软组织器官,由于其边界不明显,HU值变化小等特点,即便是医生来勾画也常需要丰富的经验,并需借助解剖结构才能大致勾画出器官组织。所以,这也一直是传统图像处理技术的瓶颈和难点。而且,医疗图像通常相对较大,若使用传统图像处理方法对每一张图串行处理,一套医疗图像耗费的预测时间是让人难以忍受的。

 

同时,鉴于医疗图像的敏感性与特殊性,相关医疗图像数据的获取也一直是一大难题,而且不同医院数据、机器接口及医院系统还存在差异性。这些珍贵的医疗数据就像沉在海底的珍珠,发出点点闪光却极难获取。

 

深度学习带来全新解决方案

 

由于深度神经网络的强大特征提取能力,以及U-Net等图像分割图像网络的出现,连心医疗的算法研究团队在传统U-Net的基础上加上3D卷积,残差模块,膨胀卷积等操作,在处理梯度消失,提升感受野等方面均得到较好的提升。具体的网络结构如图1所示。

 

图 1 连心3D U-Net网络结构

 

数据方面,连心医疗和国内外30余家顶级放疗科室深度合作,如哈佛大学医学院、北医三院,北京301医院等,已经积累了26000例高质量的勾画数据,并且通过数据增强等手段使其可以基本满足训练需求。图2为心脏训练的结果,左边为医生勾画的标注数据,右边为网络的预测结果。

图 2 心脏分割标注和预测对比

 

GPU加速计算实现多器官自动分割

 

目前,连心医疗使用NVIDIA GPU在训练和预测两个层面上进行加速。在训练上,由于图像数据的大小和3D卷积的原因,即便是在batch size为1的情况所使用的显存也需要7G以上,所以一般团队的训练都采用模型并行的方法,把模型的不同部分放到多块GPU上来解决显存不足的问题。表1为心脏分割的本地CPU测试,单GPU测试,双GPU测试以及四GPU测试的时间对比。

 

表 1 不同设备的训练和预测时间对比

 

依靠NVIDIA强大的GPU加速,可以看出,在训练上一个epoch的时间,单GPU处理速度相对于CPU提升了80多倍。四GPU处理速度对CPU更是提升了近300倍。而且随着GPU数量的增加,性能几乎是线性增长的,如图3所示。这极大的降低了网络模型的迭代速度,以及可以让算法工程师快速的验证算法。

 

图 3 训练时间柱状图对比

 

预测方面由于数据量小,无反向传播以及前后传统图像处理的时间耗费,但仍然可以看出近20倍的处理速度提升。使得GPU进行预测实现多器官自动分割可以将数十分钟的CPU计算,缩短到数分钟完成。相对医生花费数小时手动勾画危及器官的工作效率,可见一斑。需要注意的是,示例只是使用了非常常见的普通GPU,测试了单GPU,双GPU和四GPU下的运行结果,如果使用专用GPU及分布式GPU系统,可以很轻易地把全部器官预测勾画时间进一步缩短至1分钟以内,在数秒内便可完成全器官自动勾画预测。

 

此外,在精度上,心脏预测可以达到85%以上的准确度,也就是说大部分的图像医生只需做很小的修改,甚至不修改就可以实现器官的自动分割。目前,连心人工智能算法已经能够完成全身几十种器官的自动分割。

 

在NVIDIA CUDA技术的GPU出现以前,由于神经网络的复杂性,使用神经网络来训练模型甚至进行实时预测是难以想象的,而如今基于NVIDIA的高性能GPU平台,不断有更多更高性能的GPU发布出来,对整个医疗图像领域来说,可以大大减少诸如危及器官勾画这些机械式的任务负担,进而一步一步实现真正的智慧医疗。

相关新闻