AI模型自动辨识与正常模型偏离的区域 识別脑部MRI异常

在脑部MRI扫描诊断中，医生需捕捉影像中的异常，不论是影像伪影，或是潜在病灶。然而，随著扫描量持续攀升，人工审阅压力日增。因此，能自动点出异常之处的人工智慧助手将能大派用场。

近日，浸大计算机科学系郭小青教授团队与牛津大学合作，成功研发出名为 IterMask3D 的人工智慧模型。此模型透过学习大量健康脑部影像，建构出「正常脑部」的模型。训练完成后，它可对新的MRI影像进行分析，自动辨识与正常模型偏离的区域，无需事先以异常样本进行训练。

此AI模型颇具巧思：模型以数码遮盖对扫描影像进行局部遮盖，并尝试「推理」被遮盖部分应有的正常内容。若某些区域因包含训练中未曾出现的特徵而无法被准确重建，系统即将其标记为「潜在异常」，提示医生进一步跟进。

此方法具备多项实用优势。在扫描过程中，它能侦测因患者移动或设备问题导致的影像瑕疵（图1），使技术人员能在患者离开前重新扫描。於研究环境中，此技术可作为品质控制的保障机制，侦测可能影响研究结果的问题影像（图1）。最令人振奋的是，早期实验显示该技术或有助於侦测常规审查中可能被忽略的脑部病灶（图2）。
 

图1：采用IterMask3D对含有合成异常的影像进行异常检测的结果。首行展示带有模拟异常的输入影像，次行则呈现相应检测出的异常区域。

图2：基於 BraTS 资料的 3D FLAIR 影像异常分割结果，红色轮廓为模型预测的异常区域。

IterMask3D其中过人之处，在於它无需专家手动标注数千个不同异常案例，该过程耗时而昂贵。这种无监督学习方法仅透过正常扫描影像进行训练，便能潜在地侦测任何类型的异常，而不仅限於特定训练范例所涵盖的异常类型。

此研究成果已发表於Medical Image Analysis（MedIA），论文题为《IterMask3D: Unsupervised anomaly detection and segmentation with test-time iterative mask refinement in 3D brain MRI》，并荣获 MICCAI MedIA 最佳论文奖。该奖项旨在表彰发表於MedIA期刊、针对主要医学影像计算与计算机辅助干预会议（MICCAI）之特刊中品质最卓越的论文。

论文原文：IterMask3D: Unsupervised anomaly detection and segmentation with test-time iterative mask refinement in 3D brain MRI - ScienceDirect
 

更多关于郭教授的研究简介：Xiaoqing GUO - Hong Kong Baptist University

郭小青教授

计算机科学系

英文原稿刊载於理学院。