2021年9月21日，我院刘雷课题组与上海市公共卫生临床中心放射科单飞研究组合作，于Neurocomputing在线发表题为“DeepSDM: Boundary-aware pneumothorax segmentation in chest X-ray images”的研究成果，提出了一种边缘感知的图像分割算法，能够有效进行基于胸部X光片的气胸诊断。

表1 论文封面

气胸是指气体异常进入胸膜腔，造成的积气状态，是一种常见的临床急症。其典型临床症状包括突发性胸痛，胸闷和呼吸困难，在严重的情况下，气胸甚至会威胁病人的生命。因此，气胸的快速诊断在急诊科具有重要意义。在临床实践中，气胸通常是由放射科医生通过胸部X光片进行诊断，这一过程高度依赖于放射科医生的经验。然而，并非所有影像科室都有医生全天值班，因此，一个高效、自动的气胸诊断算法将在许多临床场景中发挥作用。

现有的气胸自动诊断算法大致可分为两类：粗定位和精确分割。分类和检测是两种典型的粗定位方法，这类方法需要图像级或盒级注释，同时也只能得到气胸的粗略诊断结果。相比之下，精确分割提供了像素级的预测结果，能够实现胸腔内的空气量的估计，从而辅助后续的治疗计划的制定。但是，胸部X光片上气胸的模糊边界问题是已有图像分割方法所共同面临的挑战。边界模糊问题是指在胸部X光片上，气胸与其他人体结构的对比度低，即使是专业的放射科医生也需要多次调整窗宽和窗位来区分气胸的边界。对于图像分割算法来说，边界模糊的问题会造成分割结果的不平滑，甚至部分气胸在面积计算中丢失。

表2 DeepSDM方法图

在这项工作中，该研究组提出了一个新的学习方法，称为DeepSDM，该方法引入了符号距离图（SDM）中的丰富信息。通过多任务策略，同时进行二进制分割掩码和SDM的学习。消融研究表明，与单独使用二进制掩膜训练相比，该策略有效地提高了分割性能。此外，在SDM回归任务中采用了基于边界的加权方案，促使模型更加关注气胸及其轮廓。实验证明了该基于边界的加权方案的优越性。此外，该研究还对几种常见的多任务学习的网络结构进行了实验，并且发布了一个新的多中心气胸分割数据集（PTX-498），总共包括来自三家医院的498张带有像素级注释的气胸胸部X光图像。该研究在Kaggle SIIM-ACR气胸分割数据集（有12,089张胸部X光图像）和PTX-498数据集上进行了广泛的实验。结果表明，该方法不仅在所有评估指标上显示出最好的性能，而且还能够生成更连续和更平滑的分割结果。

刘雷研究组博士研究生王云鹏为论文第一作者，上海市公共卫生临床中心放射科史维雅主任对此项工作亦做出重要贡献。该研究得到国家自然科学基金、国家重点研发计划的大力支持。

原文链接：https://doi.org/10.1016/j.neucom.2021.05.029