2018年4月24日，中国人民大学数学科学研究院龚新奇老师课题组在生物数学杂志《BMC Systems Biology》在线发表论文，报道最新研究成果 （https://bmcsystbiol.biomedcentral.com/articles/10.1186/s12918-018-0572-z）。

论文的题目为《Hierarchical combinatorial deep learning architecture for pancreas segmentation of medical computed tomography cancer images》（医学CT胰腺肿瘤图像的多层组合深度学习分割架构），该论文通过建立深度学习模型，快速并且自动化对医学CT图像进行自动诊断分析，分割提取病人的胰腺器官，为医生的进一步诊断提供有效的帮助。下图展示了我们的计算模型流程图。

模型流程图

随着计算机技术和医学器械的发展，医学数据尤其是医学影像组学数据越来越多。怎么样利用这些数据，进行自动化的、高效的诊断成了时下比较关注的热点。影像组学数据，如：CT、MRI等，现在已经成为医院对病人病情初步筛查的重要依据。建立自动化的诊断工具，无疑能够加快筛查进程甚至提高筛查的准确率。随着深度学习尤其是卷积神经网络的发展，计算机视觉领域取得了前所未有的飞速发展。医学影像也属于计算机视觉的一个分支。因此，我们考虑如何应用深度学习模型对医学图像进行诊断。

在众多的疾病类型中，肿瘤疾病应用影像组学的频率最高，而在肿瘤图像诊断中，又属胰腺癌较为困难。所以，课题组选取了胰腺癌CT图诊断作为攻克的目标。胰腺处于病人的腹部位置，这里器官种类繁多，器官形态各异，不同病人的胰腺在CT图中呈现的形态也差异巨大，这对于自动化的诊断无疑是一个巨大的挑战。

我们课题组将问题拆分，先进行胰腺的分割定位，本文就是初步的成果。通过建立卷积神经网络模型，对CT图进行自动诊断，分割出病人的胰腺器官，准确率达到76.36%。这对下一步的胰腺癌变类型诊断提供了很大的帮助。

中国人民大学数学科学研究院龚新奇副教授是通讯作者，中国人民大学数学系和数学科学研究院联合培养研究生付敏是论文第一作者，北京协和医院吴文铭医生是并列第一作者，中国人民大学数学系欧耀彬副教授和北京协和医院赵玉沛院士是并列通讯作者。北京协和医院洪夏飞医生和中国人民大学信息学院本科生刘秋华等对本研究也做出了重要贡献。本课题受到国家自然科学基金委员会的面上项目和重点集成项目支持。