AI模型持續進化：圖像邊界偵測

目前AI應用在多種場合，其中生醫影像也和人類健康息息相關，更是需要在準確度上用更加嚴苛的標準。傳統一些皮膚病變或是腫瘤...等等，需要醫師人眼仰賴經驗去偵測病變組織是一件耗時費工的任務，於是AI模型接種而出，但越來越多應用後發現，需要偵測的區域同時包含著複查的組織或器官，常常在區分病變與背景的邊界像素帶來極大的困難，於是AI專家著手持續更新模型，今天要介紹的就是一種改良自UNET的演算法叫做：BA-NET。

圖一：

可以看見最左邊為要偵測的醫學影像，右邊黑白圖為偵測目標的圖案，黃色框可以比對傳統UNET 和 BA-NET的差異，可以發現BA-NET和標準答案（GT) 外觀最為相似，較能將模糊邊界依照GT的答案去偵測出來。

圖一

圖二：

BA-NET 採用自編碼（Autoencoder）左側為encoder 右側為decoder。在壓縮部分(encoder)每一層都會將Feature map 傳送給PEE-->miniMTL-->CFF 最終在還原部分(decoder) 對應的該層進行結合資訊，這種作法可以對每一層壓縮的資訊進行另一部分的預處理，並且保留模糊邊界的特徵，在還原階段結合，有助於模型在預測邊界時，部分邊界預測的結果可以被額外修正，導致最終輸出更接近標準答案。

圖二

圖像切割這一類任務有很多仰賴AI模型的案例，通常沒有一種模型能夠套用在所有的案例。

更詳細的模型調控細節可查看原論文。

撰文：許楷翊

原始論文

Wang, R., Chen, S., Ji, C., Fan, J., & Li, Y. (2020). Boundary-aware context neural network for medical image segmentation. arXiv preprint arXiv:2005.00966.