日前，“2021年度中国医学人工智能代表性算法”评选结果出炉，徐宗本院士、孙剑教授、杨燕博士等人提出的“交替方向乘子法深度网络（Deep ADMM-Net）”、孔德兴教授和吴法博士等人构建的“轻量化深度学习框架（DE-Light）”以及李纯明教授等人提出的“距离正则化水平集演化法（DRLSE）”入选。

据获悉，本次评选经相关领域权威专家提名、由中国生物医学工程学会医学人工智能分会、中国工业与应用数学学会数学与医学交叉学科专业委员会、重庆国家应用数学中心于2021年11月17日组织同行专家评审，并报全国科学技术名词审定委员会医学人工智能名词审定委员会审批通过。

算法介绍：

1、交替方向乘子法深度网络（Deep ADMM-Net）

高端核磁共振成像(MRI)设备价格贵、成像速度慢，是制约MRI设备更为广泛普及的重要因素。发展具有自主知识产权的快速核磁共振成像核心算法是解决MRI成像速度慢，打破国外技术垄断的重要研究课题。压缩感知快速核磁共振成像(CS-MRI,Compressive Sensing Magnetic Resonance Imaging)是实现快速核磁共振成像的关键技术，徐宗本院士、孙剑教授、杨燕博士等人提出的ADMM-深度网络首次将成像物理机制与深度学习相结合，可从k-空间中少量采样数据快速重建出高质量核磁共振图像。相对于传统基于能量优化建模的MRI方法，ADMM-深度网络可显著提高重建精度与重建速度，例如，在k-空间20%采样率情况下，ADMM-深度网络相对于传统TV、小波等正则化方法提升重建精度2dB以上，重建速度也得到显著提升。

2、轻量化深度学习框架（DE-Light）

由孔德兴教授和吴法博士等人于2013年开始自主研发的一种轻量化深度学习框架，该框架具有如下主要特点：（1）可以支持目前常用的主流算法，譬如：efficientNet、DenseNet、resNet及各种变种识别模型、分割模型、三维卷积模型、时序模型以及各自改进算法等；（2）灵活性高：既适用于自然或医学图像与视频的分类与分割任务，如分析甲状腺、乳腺和肝脏等多病种二维超声影像数据，也可处理CT/MR等三维体数据，能够灵活构建不同网络层和网络结构；（3）基于多流技术实现不同设备之间通信，重叠反向传播和参数更新时间，与通用开源框架相比，模型训练速度提高了四分之一；在模型应用推理时，使用高效图像预处理方法，部分网络层进行计算合并，推理速度提高了十倍；（4）独立性高：减小第三方库对算法的影响，控制随机数生成与核函数计算方式，结果具有完全可重复性；（5）通过使用高效的显存池和内存池，减少内存和显存访问开销，在普通GPU设备上可以运行上百层（如EfficientNet-B6）的网络结构，而显存只需要不到原来的百分之十。该框架已经成功用于医学影像智能辅助诊断系统、手术规划与精准导航系统开发，相应产品已在数百家医院成功应用。

3、距离正则化水平集演化法（DRLSE）

在传统的水平集方法中，需要在水平集演化的迭代过程中周期性地重新初始化水平集函数为符号距离函数，这不仅增加了计算量，而且还带来一些不确定因素和数值计算的误差，而且重新初始化的做法实际上是水平集方法的算法实现与理论模型不一致的表现。针对此，李纯明教授等人在2005年发表的CVPR论文中首次在水平集方法中引入水平集函数的正则化，使水平集函数能够在水平集函数演化的过程中自适应地保持符号距离函数的特性，从而确保了水平集函数在演化过程中的正则性和演化的稳定性。李纯明教授等人又在2010年发表的IEEETIP论文中进一步完善和推广了水平集函数的正则化，巧妙地构造了基于双势阱函数（double-wellpotential）的距离正则化能量项，由此导出了距离正则化水平集演化（简称DRLSE）方程和对应的水平集函数迭代算法。该算法能够让水平集函数在迭代过程中自适应地维持一种独特的、更加优越的正则性。DRLSE算法不仅成功地去掉了水平集演化过程中的人为重新初始化的步骤，真正做到了水平集演化的理论与算法实现一致，而且极大地简化了水平集方法的算法实现，并显著提高了计算效率。DRLSE模型还允许迭代算法使用明显更大的固定时间步长（比传统水平集方法的时间步长大10倍以上），从而显著减小迭代次数，进一步提高了计算效率。DRLSE模型已经被世界各国的科研和技术工作人员成功地应用于各种图像的分割及相关问题。