MICCAI（Medical Image Computing and Computer Assisted Intervention）始于1998年的麻省理工学院，意在探索医学影像、计算机辅助介入以及两者融合的价值。20逾年的发展，MICCAI已成为医学影像分析行业的顶级学术会议。
百度组织的眼科医学影像分析研讨会OMIA (Ophthalmic Medical Image Analysis)是眼科影像领域的重点研讨会之一，至今已举办八届。2021MICCAI之上，OMIA将议点聚焦于青光眼之上，举办了GAMMA挑战赛，汇聚全球的青光眼人工智能算法，海内外总计71支在此进行角逐。
本次比赛的参与方将对300例成对的3D眼底OCT体数据和2D眼底彩照数据进行处理，具体包括三个子任务：1）青光眼分级；2）黄斑中央凹定位；3）视杯&视盘分割。简而言之，每个子任务对应了一个衡量眼科AI优劣的关键。
在这场世界级的较量中，医疗人工智能企业体素科技医疗影像团队联合上海交通大学电子系图像所组建的Voxelcloud Team实力强劲，从71支劲旅之中脱颖而出，夺得第2名的优异成绩，并在视杯&视盘分割这一子任务中排名第1。
图：GAMMA挑战赛最终排名
据体素科技参赛团队介绍，之所以能在大赛之中拔得头筹，是因为其比赛过程中采用的模型聚集了多种业界先进的算法技术，并由团队进行了充分的定制化。
针对黄斑定位任务，团队采用了业界最新的TransUNet[3]，并结合U2-Net的部分模块对黄斑区域进行分割和定位。针对杯盘分割任务，团队想到了一个二阶段的分割策略：首先进行粗略的杯盘区域定位，然后在定位到的视盘区域图像块上进一步进行杯盘精细分割。
此外，团队采用了TransUNet等先进的网络架构进行粗略杯盘区域分割和定位，并引入了Polar Transformation[1]以增强图像特征的表达能力。在精细分割阶段，团队采用了最新的算法框架，包括Segtran[4]，TransUnet[3]和CE-Net[2]来进行杯盘的分割任务，并采用平均投票的方法来对不同模型的预测结果进行集成来提高分割准确度。
图：阶段1粗略的视盘分割流程
图：阶段2精细的杯盘分割流程
视杯&视盘的精准分割对于青光眼的评估至关重要，在临床实践中，垂直杯盘比（CDR）越大，青光眼患病风险越高。具体来讲，视盘是视网膜上视觉纤维汇集穿出眼球的部位，是视神经的始端。当视盘出现出血、盘沿变薄、血管屈膝、杯盘比扩大等体征时，极可能发生青光眼病变。因此，团队在这一环节的优异成绩为青光眼分级乃至后续的诊断打好的良好的基础。
青光眼是全球第二位致盲眼病，据WHO预测，2020年全球原发性青光眼将达到7964万名，其中11.2%的患者将失明，中国全人群原发性青光眼患者将达到2182万名，占全球27.4%。从数据之中我们可以窥见青光眼AI的价值。
在海量的需求之下，体素科技将不断深入研究青光眼AI辅助分析工具，帮助更多患者实现青光眼的早筛早治，将潜藏的黑暗时刻扼杀于摇篮之中。
参考文献
[1] Fu, Huazhu, et al. "Joint optic disc and cup segmentation based on multi-label deep network and polar transformation." IEEE transactions on medical imaging 37.7 (2018): 1597-1605.
[2] Gu, Zaiwang, et al. "Ce-net: Context encoder network for 2d medical image segmentation." IEEE transactions on medical imaging 38.10 (2019): 2281-2292.
[3] Chen, Jieneng, et al. "Transunet: Transformers make strong encoders for medical image segmentation." arXiv preprint arXiv:2102.04306 (2021).
[4] Li, Shaohua, et al. "Medical Image Segmentation using Squeeze-and-Expansion Transformers." arXiv preprint arXiv:2105.09511 (2021).
