電腦「審美」與「乳攝影像品質評等」


  從傳統機器學習到時下最熱門的深度學習,這些技術多已被運用在辨識用途上,例如:門禁(人臉辨識、指紋辨識)、環境安全(火、煙霧影像偵測)、醫學影像(病變偵測與辨識)、工業影像(瑕疵檢測)、物流(貨品辨識、行李併排分離)…等。傳統機器學習多需要由人挑選特徵,特徵的特性決定了辨識模型的效能,因此特徵挑選一直是挑戰,也是傳統機器學習模型效能無法大幅突破的原因。由於深度學習採用大量資料,在模型訓練過程中同時計算特徵,並不需要人工介入訓練程序,因此研究人員開始以深度學習汰換傳統機器學習,並運用在各種領域,其中包括電腦的審美能力。

  研究人員曾以傳統機器學習方式訓練審美識別模型,應用於人臉[1]、景色[2]、畫作等領域。近年來,人們瘋狂執著於深度學習,開始使用該技術訓練審美識別模型。2016年Youth Laboratories公司在網路上利用電腦AI對人們素顏照片的審美評分的活動[3, 4, 5],其技術針對不同年齡層的女性和男性排列出前五名勝出者(如圖1所示)。Lin團隊研發名為FaceColor的識別模型[6],基於Tensorflow架構的卷積類神經網路(convolutional neural network, CNN)訓練美顏識別模型,適用於不同民族、人種對於審美程度的學習模型。2020年,玩美移動公司舉辨第三屆的「AI Meets Beauty」的競賽活動,並於知名的國際研討會ACM Multimedia中進行頒獎[7, 8]。

 

Beauty.AI針對18-29歲間前五名勝出者照片與資訊aBeauty.AI針對18-29歲間前五名勝出者照片與資訊b

(節錄自[5])

圖1 Beauty.AI針對18-29歲間前五名勝出者照片與資訊

  究竟識別模型是如何進行審美工作呢?以臉部審美識別模型為例,研究人員發現特定影像特徵對於識別模型的效能具有明顯的影響,這些特徵有:膚色、紋理、輪廓、對稱性等[5, 9, 10, 11]。然而,由於訓練模型的影像資料白種人照片占大多數,因白種人膚色偏亮,導致模型對於較暗膚色的人種審美評分準確度較低。

  「乳攝影像品質」審查可以視為是一種「審美」工作。上述的臉部審美工作是在特徵不明確的情況下,利用大量的影像和標計資料訓練審美識別模型並且估測特徵,然而乳攝影像品質審查則是從眾多制定的規則中進行識別,最終彙整所有識別結果以決定該乳房X光影像的拍攝品質,這些規則亦可當作是審美模型所需的特徵。

  為什麼要對乳攝X光影像品質進行審查呢?當乳房X光影像拍攝品質不良時,該些影像可能導致放射科醫師在篩檢乳房病變時發生錯誤,除了誤判正常組織為病變之外,甚至可能疏忽真正的乳房病變。以醫院的程序,此時需要召回受檢者回醫院重新拍攝,如此一來可能延誤病患治療的黃金時機,同時造成醫療資源的浪費;而以受檢著來說,等待報告的期間無端又被召回重新拍攝,不但再次延長檢查時程並也對受檢者心理產生不安。為此,需要制定規範來確保影像拍攝品質,放射科醫師能夠正確地判讀乳篩影像,同時加速對於乳房病變、乳癌的診治。

  國際間對乳攝品質評量是以PGMI四種評估等級[12],即為:Perfect、Good、Moderate、和Inadequate,每種等級的細部評估標準皆有明確定義,我國衛生福利部國民健康署(以下簡稱國健署)對於乳攝影像品質標準制定了「預防保健服務之乳房X光攝影醫療機構資格審查原則」[13]。除了需要對『乳腺非緻密型』和『乳腺非緻密型』影像進行評分,其中需包含頭腳向和斜位向,以及左、右側共四張的影像。乳房X光攝影放射師(士)的臨床影像評分分成A、B、C、D四個等級,每個等級在自選片和抽選片都有其對應的評分區間,例如:在A等級時,自選片臨床影像品質評量總分數需在360分以上,如圖2所示。此外,臨床影像評量表中包括九個主要品質標準,分別為:擺位、壓迫、暴露、對比度、鮮銳度、假影、雜訊、X光照射範圍、以及標籤(如圖3所示)。每項品質標準又包含數個規則,例如:「可以顯現所有的內側乳腺組織」則屬於頭腳向乳房X光影像在擺位品質標準的細部規則之一,圖4列出部分主要品質標準的細部規則。

乳房X光攝影放射師(士)的臨床影像評分

(節錄自[13])

圖2 乳房X光攝影放射師(士)的臨床影像評分表

臨床影像評量表中著九個主要品質標準

(節錄自[13])

圖3 臨床影像評量表中著九個主要品質標準

部分主要品質標準的細部規則

(節錄自[13])

圖4 部分主要品質標準的細部規則

 

  分析國外乳攝品質的相關研究,多著重於擺位品質標準的評量,其中又以「斜位向與頭腳向攝影之乳頭後延伸線長度差距必須在一公分範圍之內」、「可以觀察到的胸大肌需向下延伸至乳頭後延伸線以下」兩個細部規則為主。例如:Spuur等人[14]基於斜位向影像的胸大肌和乳頭後延伸線,結合羅吉斯迴歸(logistic regression)和ROC,判斷乳頭後延伸線在該乳房X光影像的品質是否合格。一套自動系統分析胸大肌前緣切線、計算頭腳向和斜位向乳房X光影像的乳頭後延伸線長度差的研究成果發表於Bülow的論文中[15]。此外,深度學習被運用在偵測乳房影像內不良擺位的問題[16],判斷胸大肌前緣切線是否與乳頭後延伸線交錯。

  至今,利用深度學習在乳攝品質評量的國內外研究成果仍舊不多,而相關的研究又著重於擺位品質的特定細部規則。現今,醫院內部對乳攝品質則是透過院內同僚進行相互評量,而國健署的乳攝影像品質則委由第三方機構審查,兩者皆以人工方式進行,可能因主觀因素導致審查結果偏頗。因此,在經濟部計畫「人工智慧產業關鍵技術拔尖計畫」中「智慧醫療與健康管理技術與應用: 乳房病變先期防治」的規劃下,研發團隊自2021年起基於影像組學(radiomics)、深度學習、以及先前研發成果,開發乳攝影像品質的自動評等技術,並與國內三軍總醫院的徐先和主任、許居誠醫師、吳祐丞醫師進行交流,研發人員得以確認各個細部規則的意義。以期望不久將來,可以利用AI技術從乳攝影像品質評等、乳房病變偵測、病變風險嚴重程度分級三部分,建立乳篩一條龍的服務應用和產品。

 

參考文獻

  1. Mao, L. Jin, and M. Du, “Automatic classification of Chinese female facial beauty using Support Vector Machine,” 2009 IEEE Int’l Conf. on Systems, Man and Cybernetics (ICSMC), pp. 4842-4846, Oct. 2009.
  2. Zhang, V. Ramani, Z. Long, Y. Zeng, A. Ganapathiraju, and J. Picone, ”Scenic beauty estimation using independent component analysis and support vector machines,” Proceedings IEEE Southeastcon'99. Technology on the Brink of 2000 (Cat. No. 99CH36300), pp. 274-277, March 1999.
  3. Wikipedia: Beauty.AI, [online] https://en.wikipedia.org/wiki/Beauty.AI
  4. AI, [online] http://beauty.ai/
  5. 毛詠琪, “【AI審美】人工智能選美大賽 勝出的會是?”, 香港01, March 29, 2017. [online] https://www.hk01.com/即時國際/41848/ai審美-人工智能選美大賽-勝出的會是
  6. Lin, H. Sun, M. Liu, J. Ma, W. Shao, X. Hu, and X. Wang, “FaceColor: A Face Beauty Recogonition Model Based on Convolutional Neural Networks,” In 2019 6th Int’l Conf. on Information Science and Control Engineering (ICISCE), pp. 287-291, Dec. 2019.
  7. ACM Multimedia Challenge, AI Meets Beauty, https://challenge2020.perfectcorp.com/
  8. https://www.perfectcorp.com/business/news/detail/1521
  9. Laurentini; A. Bottino, “Computer analysis of face beauty: a survey,” Computer Vision and Image Understanding, vol.125, pp. 184-199, 2014.
  10. Sam T. Levin, “A beauty contest was judged by AI and the robots didn't like dark skin”, The Guardian, Sept. 8, 2016, [online] https://www.theguardian.com/technology/2016/sep/08/artificial-intelligence-beauty-contest-doesnt-like-black-people
  11. -R. Huang, “Understanding potentially based artificial agents powered by supervised learning: perspectives from cognitive psychology and cognitive neuroscience,” Chinese Journal of Psychology, vol.61, no.3, pp.197-208, 2019.
  12. https://www.bci.org.au/wp-content/uploads/2016/10/Radiography-Review-2016-v3.pdf
  13. 預防保健服務之乳房X光攝影醫療機構資格審查原則,國健署,[online] https://www.hpa.gov.tw/Pages/ashx/File.ashx?FilePath=~/File/Attach/3485/File_4178.pdf
  14. Spuur, W. T. Hung, A. Poulos, and M. Rickard, “Mammography image quality: Model for predicting compliance with posterior nipple line criterion,” European Journal of Radiology. vol.80, no.3, pp-713-718, Dec. 2011.
  15. Bülow, K. Meetz, D. Kutra, T. Netsch, R. Wiemker, M. Bergtholdt, J. Sabczynski, N. Wieberneit, M. Freund, I. Schulze-Wenck, “Automatic assessment of the quality of patient positioning in mammography,” Proc. SPIE 8670, Medical Imaging 2013: Computer-Aided Diagnosis, 867024, p.867024, Feb. 2013.
  16. V. Gupta, C. Taylor, S. Bonnet, L. M. Prevedello, J. Hawley, R. D. White, M. G. Flores, B. S. Erdal, "Deep learning-based automatic detection of poorly positioned mammograms to minimize patient return visits for repeat imaging: a real-world application,” arXiv preprint arXiv:2009.13580, pp.1-12, 2020.