人体器官分割是医学图像分析的关键技术，在自动化疾病诊断和手术治疗中发挥着重要作用。传统的医学图像分割依靠放射科医生手动完成，耗时费力。例如，绘制单个腹部器官的标注通常需要放射科医生大约1小时的时间。约翰霍普金斯研究团队通过利用放射科医生和智能算法相结合的优势，对近万例CT扫描中的25种人体组织结构进行了详细标注，也对其中部分肿瘤提供了伪标注，构建起名为“腹部地图”的重要医学工具。用传统方法完成这项工作需要花费放射科医生近107年。据估算，该智能算法能为后续绘制更大规模，更大范围的“人体地图”加速至少533倍。腹部地图的建立可以为多个医学领域，例如自动手术规划，人工智能（AI）研究，虚拟/增强现实，临床教学等，提供丰富的数据支持。前期实验表明，在腹部地图上训练的AI模型能够自动识别器官边缘，在准确率，鲁棒性，迁移性上超越现有模型水平，大大减轻了人工标注的负担，为后续应用在癌症检测和量化等相关任务中提供可能。该项目的研究成果发表在医学影像分析，机器学习，计算机视觉领域的顶级会议中，例如MICCAI，RSNA，NeurIPS，ICLR，ICCV等，在这期间构建的大规模医学数据集将在ISBI和MICCAI的挑战赛中与大家见面。 为了更好的帮助大家了解这项研究，机器之心最新一期线上分享邀请到了约翰霍普金斯大学计算机科学硕士李文璇，为大家解读本项的工作。分享摘要：本次分享将介绍如何结合放射科医生和智能算法的优势，详细标注近万例CT扫描中的25个组织结构，构建“腹部地图”，不仅提高了AI在医学图像分割的性能，也为后续应用于癌症检测和自动手术规划提供了丰富的数据支持。 嘉宾简介：李文璇，约翰霍普金斯大学计算机科学硕士，导师为Alan Yuille教授以及周纵苇博士。她的研究方向是利用大规模数据集和标注提升医学图像分析，在ICLR、RSNA等顶级学术会议发表多篇论文。她担任了多个顶级学术会议挑战赛的组织者，例如ISBI，MICCAI。
论文1：https://www.cs.jhu.edu/~alanlab/Pubs23/li2023suprem.pdf
论文2：https://www.cs.jhu.edu/~alanlab/Pubs23/qu2023abdomenatlas.pdf
代码：https://github.com/MrGiovanni/SuPreM
数据：https://huggingface.co/datasets/AbdomenAtlas/AbdomenAtlas_1.0_Mini
竞赛主页：https://biomedicalimaging.org/2024/accepted-challenges-tutorials/ (请详见Challenge 6: BodyMaps)
交流群：本次直播设有 QA 环节，欢迎加入本次直播交流群探讨交流。
机动组是机器之心发起的人工智能技术社区，聚焦于学术研究与技术实践主题内容，为社区用户带来技术线上公开课、学术分享、技术实践、走近顶尖实验室等系列内容。机动组也将不定期举办线下学术交流会与组织人才服务、产业技术对接等活动，欢迎所有 AI 领域技术从业者关注。
