AI模型自動辨識與正常模型偏離的區域 識別腦部MRI異常

在腦部MRI掃描診斷中，醫生需捕捉影像中的異常，不論是影像偽影，或是潛在病灶。然而，隨著掃描量持續攀升，人工審閱壓力日增。因此，能自動點出異常之處的人工智慧助手將能大派用場。

近日，浸大計算機科學系郭小青教授團隊與牛津大學合作，成功研發出名為 IterMask3D 的人工智慧模型。此模型透過學習大量健康腦部影像，建構出「正常腦部」的模型。訓練完成後，它可對新的MRI影像進行分析，自動辨識與正常模型偏離的區域，無需事先以異常樣本進行訓練。

此AI模型頗具巧思：模型以數碼遮蓋對掃描影像進行局部遮蓋，並嘗試「推理」被遮蓋部分應有的正常內容。若某些區域因包含訓練中未曾出現的特徵而無法被準確重建，系統即將其標記為「潛在異常」，提示醫生進一步跟進。

此方法具備多項實用優勢。在掃描過程中，它能偵測因患者移動或設備問題導致的影像瑕疵（圖1），使技術人員能在患者離開前重新掃描。於研究環境中，此技術可作為品質控制的保障機制，偵測可能影響研究結果的問題影像（圖1）。最令人振奮的是，早期實驗顯示該技術或有助於偵測常規審查中可能被忽略的腦部病灶（圖2）。
 

圖1：採用IterMask3D對含有合成異常的影像進行異常檢測的結果。首行展示帶有模擬異常的輸入影像，次行則呈現相應檢測出的異常區域。

圖2：基於 BraTS 資料的 3D FLAIR 影像異常分割結果，紅色輪廓為模型預測的異常區域。

IterMask3D其中過人之處，在於它無需專家手動標註數千個不同異常案例，該過程耗時而昂貴。這種無監督學習方法僅透過正常掃描影像進行訓練，便能潛在地偵測任何類型的異常，而不僅限於特定訓練範例所涵蓋的異常類型。

此研究成果已發表於Medical Image Analysis（MedIA），論文題為《IterMask3D: Unsupervised anomaly detection and segmentation with test-time iterative mask refinement in 3D brain MRI》，並榮獲 MICCAI MedIA 最佳論文獎。該獎項旨在表彰發表於MedIA期刊、針對主要醫學影像計算與計算機輔助干預會議（MICCAI）之特刊中品質最卓越的論文。

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

更多關於郭教授的研究簡介：Xiaoqing GUO - Hong Kong Baptist University

郭小青教授

計算機科學系

英文原稿刊載於理學院。