AI醫療 | 新開源計算機視覺技術用於新生兒胎齡估計

• 2019 年 12 月 27 日
• 筆記

計算機視覺是應用性極強的學科，醫學圖像處理是其中重要的方向。

幾天前，最新一期的生物光學頂級期刊《Biomedical Optics Express （生物醫學光學快報）》上刊登了一篇論文《Open-source, machine and deep learning- based automated algorithm for gestational age estimation through smartphone lens imaging》，使用計算機視覺技術進行新生兒胎齡估計，展現了AI技術助力普惠醫療的潛力，其中所使用的技術和流程也很值得借鑒。

關鍵是，代碼已開源！（原始地址國內下不了，但52CV君已將其搬到國內，請看文末。）

作者分別來自杜克大學、西安電子科技大學和美國三角研究所：

一、問題提出

早產兒護理是非常重要的醫療問題，早產相關的併發症是5歲以下兒童死亡的第二大因素，僅2015年全球範圍內就造成100多萬兒童死亡。

所以早產兒出生後準確估計其發育胎齡並據此提供必要的醫療護理是十分必要的。

52CV君是兩個孩子的父親，多少知道一點，一般情況下胎兒發育38周以上出生就不算早產，發育32周後出生的經現代醫療技術的幫助成活率會相對較高。但也認識一位朋友自稱出生時嚴重早產（20幾周），但依然在智商被嚴重影響的情況下讀了東南大學的/攤手。

現有的新生兒胎齡估計中最權威的標準是通過產前的超聲檢查，但這在很多欠發達國家和地區是比較昂貴的並未完全普及，而另一種方式是使用孕婦末次月經計算，但其並不準確。

有研究表明，新生兒眼睛中前晶狀體囊血管（anterior lens capsule vasculature (ALCV) ）的消失與胎齡相關，該文的研究正是希望使用手機拍攝的ALCV圖像加計算機視覺技術進行新生兒的胎齡估計。

二、技術分解

作者希望通過提取ALCV圖像CNN特徵進行SVM分類解決該問題（因為樣本難以收集，不能大規模finetune網絡，所以使用SVM分類器），其中涉及到提取高質量的圖像幀和精確定位ALCV位置的問題，其技術流程如下：

拍攝新生兒眼睛的視頻，然後粗略估計前晶狀體（anterior lens）位置，並提取圖像質量較高的幀，再精細定位前晶狀體位置，再次選擇定位準確的圖像提取CNN特徵，使用SVM分類器實現胎齡估計。

2.1 數據採集

該文使用的視頻數據採集設備如下圖中（a），在手機攝像頭上加上鏡頭，採集的圖像如（b）（c）（d）（e）。

2.2 粗略估計ALCV區域

因為ALCV區域往往呈圓形，所以作者通過高斯濾波去噪、局部歸一化、Canny邊緣檢測，再進行凸包、圓形檢測粗略提取ALCV的位置。

下圖中（a）（c）（e）是含有ALCV的圖像的處理過程和結果。（b）（d）（f）為不含ALCV的圖像，通過這一步篩選出含有ALCV的圖像。

2.3 去除低質量圖像

作者使用 anisotropy-based metric of Gabarda, et al. 和 the natural scene statistic model of Mittal 兩種方法評價圖像質量，去除低質量的圖像幀。

下圖中的（c）（d）（e）即為系統要自動去除的圖像示例。

2.4 精細分割前晶狀體

作者通過訓練DeepLabv3+算法精細分割前晶狀體，手動標註ALCV區域時雖然作者們只收集到了124個新生兒的數據，但分割結果還是不錯的。

下圖中，（c）為粗略分割結果，（d）為精細分割結果。

下面是更多的精細分割結果示例（含胎齡）：

雖然用於分割訓練的樣本不多，但測試集上精度還是不錯的。如下圖：

2.5 特徵提取和分類

當精細分割出ALCV區域後，作者使用在ImageNet2015上訓練的ResNet-152網絡提取CNN特徵，使用LibSVM對圖像進行分類。如下圖：

三、實驗結果

作者在收集的124個新生兒數據上進行了實驗，為便於比較，使用比較費時的手動選視頻中的幀和手動標示定位ALCV位置的方法，並設計不同的分類器/回歸器進行了對照實驗。

下圖展示了該文提出的全自動方法和手動方法中最好的基於回歸的方法的結果，大部分情況下自動方法取得了更好的精度。

四、如何進一步提升

作者認為目前的分類精度還不夠好，如果可以收集更多早產新生兒數據，finetune網絡，提取更加適合的特徵將會得到更好的結果。

總結

這篇文章提出的方法，為小數據量的醫療圖像處理識別提供了一套完整的流程。值得做相關研究和開發的朋友參考！