6月5日，医学影像分析领域的顶级期刊IEEE Transactions on Medical Imaging (影响因子7.82）发表了本实验室在新冠肺炎CT图像定量分析方面的工作“A Noise-robust Framework for Automatic Segmentation of COVID-19 Pneumonia Lesions from CT Images”。该工作聚焦基于人工智能（AI）的新冠肺炎CT图像分析系统，实现肺炎病灶的精确分割， 可为新冠肺炎的诊断和治疗决策提供定量依据并提高诊疗效率。

    CT图像是对患者进行诊断和治疗决策的重要依据。从CT图像中分割肺炎病灶，对定量分析肺部区域的感染情况，制定科学的治疗方案和随访观察具有十分重要的作用。然而，常规的人工分割方式处理三维CT图像十分依赖于医生的经验，通常需要几十分钟的时间，面临速度慢、可重复性低的问题，前线医生资源的短缺进一步使许多患者的感染区域定量分析难以进行。而基于人工智能的自动病灶分割系统可在几秒时间内得到一幅三维CT图像的精确分割结果，极大减少前线医生的工作量，可大大提升病灶定量分析的效率，对于保障患者的诊疗质量和缩短就诊等候时间具有极重要的价值。

    然而，常规的人工智能分割算法需要专家提供的海量三维图像的像素级别的精确标注进行训练。新冠肺炎病灶的表现复杂多变（如毛玻璃样阴影、网状结构、铺路石征和实变影），病灶的大小和位置在感染的不同阶段和不同患者之间的差异较大，病灶形态存在不规则、边界模糊等现象，这些因素使获取精确的标注数据十分困难。

    更重要的是，面临 COVID-19这样一种短时间内爆发的新型肺炎，医生忙于前线工作，难以有足够的时间和精力来提供大量CT图像的精确标注。作为一种替代方案，采用一些非专家提供的标注可以降低标注的成本和时间，然而不可避免地会出现不精确的标注，即噪声标签。

    针对这一问题，本研究中提出一种新型噪声鲁棒性学习模型。该文章中首先提出了一种对噪声标签不敏感的新型损失函数，使AI模型在学习过程中减少对噪声数据的拟合。为了进一步抑制噪声的影响，文章中提出了一种自适应的Teacher-Student模型，利用模型的指数移动平均值，得到更加稳定的训练结果。此外，针对新冠肺炎病灶的位置、形态和大小多变的情况，文章中提出了一种新型COVID-19病灶分割网络模型COPLE-Net。相比于常规使用的U-Net和交叉熵损失函数的标准训练方法，本研究提出的方法将分割的精度指标Dice从76.55%提高到了80.72%，显著增强了AI模型从噪声数据中的学习能力。

    该研究对于在疫情的爆发期，克服获取高质量标注数据的障碍，快速开发CT图像定量分析的人工智能系统，助力前线抗疫具有重要意义。

    论文链接：https://ieeexplore.ieee.org/document/9109297