随着IBM Watson 和Alpha Go人机大战等事件持续发酵，人工智能获得了极大的关注度，而医学影像与人工智能的结合被认为是最具发展前景的领域，除可提高医生的工作效率，还可提高诊断准确率，使精准医疗真正成为可能。其中在肿瘤治疗领域，每个病人需要拍摄医学影像（CT、MRI等）几十甚至上百张，医生凭借经验勾画每个患者的肿瘤区域需要半小时至几个小时，耗时耗力，导致治疗病人有限。此外，不同的放射科医生对肿瘤区域的勾画结果受其主观经验，环境等诸多因素的影响，其勾画结果是不可重复的。因此，利用人工智能技术自动勾画医学图像中的肿瘤区域，可以很大程度上减少了医生的工作量，提高治疗效率。

　　骨肉瘤是一种危害极大的原发性恶性骨肿瘤，其发病率约占人类恶性实体肿瘤的0.2%。目前骨肉瘤的主要治疗方案是新辅助放化疗以及手术切除肿瘤，因此精确地从骨肉瘤 CT 图像中分割出肿瘤病灶区域，不但可以为医生减轻负担，而且对术前新辅助放化疗的计划制定，以及术后放化疗疗效果评估都有着至关重要的作用。

　　中科院苏州医工所高欣、张睿、夏威等人与北京积水潭医院合作，提出了一种基于多监督深度残差网络的骨肉瘤图像分割方法 (Multiple Supervised Residual Network, MSRN)。该方法将残差网络与多监督网络结合起来，在残差网络中加入有三个有监督的边输出层，从而在三个尺度上学习图像的特征，并融合三个尺度上的分割结果，得到最终的肿瘤分割结果。我们分别采用 Dice 相似性系数(Dice Similarity Coefficient, DSC)，敏感度系数(Sensitivity)以及F1 值 ( F1-measure)对分割结果进行评价。

　　实验结果表明，与FCN，U-Net等先进算法的最佳分割结果相比，MSRN在DSC系数、敏感度系数、F1值上分别提升了8.78%，7.83%以及6.71%。相关研究结果发表在Computerized Medical Imaging and Graphics (SCI IF 1.738):

　　Rui Zhang, Lin Huang, Wei Xia, Bo Zhang, Bensheng Qiu, Xin Gao*, Multiple supervised residual network for osteosarcoma segmentation in CT images, Computerized Medical Imaging and Graphics, Vol. 63, pp. 1-8, 2018.

　　文章链接：https://www.sciencedirect.com/science/article/pii/S0895611118300089



　　图1基于多监督的深度残差网络（MSRN）。



　　图2骨肉瘤CT 图像分割结果。1~4行为4个不同的样本。（a）金标准；（b）~（d）分别是FCN，U-Net，MSRN的分割结果。