清華新聞網(wǎng)11月2日電 近日，跨醫(yī)學(xué)影像計(jì)算（MIC）和計(jì)算機(jī)輔助介入（CAI）兩個(gè)領(lǐng)域的綜合性國(guó)際頂級(jí)學(xué)術(shù)會(huì)議——2021年國(guó)際醫(yī)學(xué)圖像計(jì)算與計(jì)算機(jī)輔助介入大會(huì)（International Conference on Medical Image Computing and Computer Assisted Intervention, MICCAI2021）在法國(guó)斯特拉斯堡舉行，深圳國(guó)際研究生院信息科學(xué)與技術(shù)學(xué)部李秀教授團(tuán)隊(duì)和楊文明副教授團(tuán)隊(duì)的三篇論文審稿得分位列前13%，被會(huì)議提前接收。
2017級(jí)控制科學(xué)與工程專(zhuān)業(yè)博士生嚴(yán)江鵬（指導(dǎo)教師：李秀教授）發(fā)表論文《層次注意力引導(dǎo)的多分辨率協(xié)同全場(chǎng)病理圖像分割框架》（Hierarchical Attention Guided Framework for Multi-resolution Collaborative Whole Slide Image Segmentation），該論文的相關(guān)工作由李秀教授團(tuán)隊(duì)主導(dǎo)，騰訊AI Lab和上海東方肝膽醫(yī)院共同完成。論文針對(duì)病理圖像分辨率跨度大及聯(lián)合分析困難的問(wèn)題，提出了一種基于層次注意力引導(dǎo)的多分辨率病理圖像互助分割框架，該框架能夠在融合不同分辨率病理圖像信息取得更好分割結(jié)果的同時(shí)，大大節(jié)省網(wǎng)絡(luò)推斷中的浮點(diǎn)運(yùn)算數(shù)。
全場(chǎng)病理圖像（WSI）中癌組織區(qū)域的分割是計(jì)算機(jī)輔助癌癥診斷的重要步驟。然而，由于WSI圖像的尺度過(guò)大，通常通過(guò)下采樣成低分辨率圖像或被裁剪成高分辨率局部圖像塊進(jìn)行分析。獨(dú)立處理高分辨率的局部圖像塊可能會(huì)忽略病理組織的全局關(guān)系，且推理速度較慢。使用低分辨率WSI圖像分析可以擴(kuò)大感受野，但會(huì)丟失局部細(xì)節(jié)。此工作提出了一個(gè)層次注意引導(dǎo)的多分辨率協(xié)同分割框架來(lái)解決上述問(wèn)題。具體來(lái)說(shuō)，該框架包含一個(gè)全局分析分支和若干個(gè)局部分析分支，以在不同的分辨率上執(zhí)行WSI癌組織區(qū)域預(yù)測(cè)。作者讓全局分析分支額外生成一個(gè)帶有稀疏約束的層次注意圖，用以融合多分辨率分割預(yù)測(cè)以獲得更好的性能。在推理過(guò)程中，則利用稀疏注意圖作為區(qū)域選擇先驗(yàn)，采用四叉樹(shù)加速策略選擇重要的局部區(qū)域。在兩個(gè)WSI數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果突出了該框架以下優(yōu)點(diǎn)：能有效地聚合多分辨率信息以獲得更好的病理圖像分割結(jié)果；可以顯著降低計(jì)算成本以加速預(yù)測(cè)而不降低精度；發(fā)現(xiàn)了不同的癌癥種類(lèi)具有不同分辨率的WSI圖像響應(yīng)偏好，體現(xiàn)了框架在計(jì)算機(jī)輔助癌癥分析可解釋性方面具備潛力。
層次注意力病理圖像多尺度聯(lián)合分割框架
2018級(jí)數(shù)據(jù)科學(xué)與信息技術(shù)專(zhuān)業(yè)碩士生徐哲（指導(dǎo)教師：李秀教授）發(fā)表論文《含噪標(biāo)注是財(cái)富——用于肝血管分割的均值教師輔助信度學(xué)習(xí)框架》（Noisy Labels are Treasure: Mean-Teacher-Assisted Confident Learning for Hepatic Vessel Segmentation），該論文的相關(guān)工作由李秀教授團(tuán)隊(duì)主導(dǎo)，騰訊天衍實(shí)驗(yàn)室和哈佛大學(xué)醫(yī)學(xué)院共同完成。論文針對(duì)肝部CT圖像中血管標(biāo)注困難和分割標(biāo)簽中噪聲大的問(wèn)題，提出一種新型的均值教師-學(xué)生網(wǎng)絡(luò)輔助的標(biāo)簽可信度學(xué)習(xí)框架，從帶有噪聲標(biāo)注的數(shù)據(jù)集中提取關(guān)鍵信息，從而提升肝部血管的分割效果。
由于低對(duì)比度和復(fù)雜的血管形態(tài)，從計(jì)算機(jī)斷層掃描（CT）中手動(dòng)分割肝血管比其他結(jié)構(gòu)更需要專(zhuān)業(yè)知識(shí)和費(fèi)力，導(dǎo)致高質(zhì)量標(biāo)記數(shù)據(jù)的極度缺乏。如果沒(méi)有足夠的高質(zhì)量注釋?zhuān)ǔ５幕跀?shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)方法難以解決訓(xùn)練不足的問(wèn)題。另一方面，直接引入帶有低質(zhì)量注釋的附加數(shù)據(jù)可能會(huì)誤導(dǎo)網(wǎng)絡(luò)的學(xué)習(xí)，導(dǎo)致最終分割性能的下降。為了解決這個(gè)問(wèn)題，論文提出了一個(gè)均值教師-學(xué)生輔助的標(biāo)簽信度學(xué)習(xí)框架，以更好地利用噪聲標(biāo)記數(shù)據(jù)進(jìn)行具有挑戰(zhàn)性的肝血管分割任務(wù)。具體而言，借助均值教師-學(xué)生模型來(lái)進(jìn)行含噪音標(biāo)簽的自適應(yīng)信度學(xué)習(xí)，將低質(zhì)量標(biāo)注數(shù)據(jù)集中的噪聲標(biāo)簽通過(guò)像素級(jí)軟校正從“負(fù)擔(dān)”轉(zhuǎn)換為“財(cái)富”，從而提供更好的監(jiān)督信息。在兩個(gè)公共數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)證明了該框架能夠利用帶有大量噪音的標(biāo)簽來(lái)提高肝部血管的分割性能，且效果顯著。
信度教師-學(xué)生肝血管分割算法框架
2019級(jí)精準(zhǔn)醫(yī)學(xué)與公共健康專(zhuān)業(yè)碩士生彌世玉和2019級(jí)信息與通信工程專(zhuān)業(yè)博士生鮑琦琦（指導(dǎo)教師：楊文明副教授）共同發(fā)表論文《用于超聲圖像中頸動(dòng)脈斑塊分割的多分支特征融合網(wǎng)絡(luò)》（MBFF-Net: Multi-Branch Feature Fusion Network for Carotid Plaque Segmentation in Ultrasound），該論文的相關(guān)工作由楊文明副教授團(tuán)隊(duì)主導(dǎo)，鵬城實(shí)驗(yàn)室和深圳市人民醫(yī)院共同完成。論文針對(duì)超聲圖像中頸動(dòng)脈斑塊的分割問(wèn)題，提出了一種多分支特征融合網(wǎng)絡(luò)，將血管壁位置作為先驗(yàn)信息引導(dǎo)斑塊分割，并加入邊界保留分支來(lái)改善模糊邊界的提取效果，相比昂貴的CT和MRI圖像，超聲圖像噪點(diǎn)多，血管與斑塊的分割提取更具有挑戰(zhàn)性。
頸動(dòng)脈粥樣硬化斑塊的檢測(cè)對(duì)于缺血性卒中的預(yù)防和治療具有重要價(jià)值，該論文著力實(shí)現(xiàn)超聲圖像中頸動(dòng)脈斑塊的自動(dòng)分割。斑塊的生成機(jī)理決定了斑塊通常出現(xiàn)在血管壁的內(nèi)中膜之間，因此模型融入了內(nèi)中膜檢測(cè)的前序工作，并將其作為先驗(yàn)信息輔助斑塊分割。為了充分利用內(nèi)中膜位置的先驗(yàn)信息，一個(gè)多分支特征融合（MBFF）模塊被設(shè)計(jì)用來(lái)融合先驗(yàn)知識(shí)、提取超聲圖像的多尺度特征和每層特征的多尺度上下文信息。此外，論文提出一個(gè)邊界提取結(jié)構(gòu)來(lái)增強(qiáng)斑塊邊界，從而降低超聲圖像中病灶邊界模糊的影響。對(duì)比實(shí)驗(yàn)結(jié)果顯示MBFF-Net的斑塊分割效果優(yōu)于現(xiàn)有的分割網(wǎng)絡(luò)。
多尺度特征融合網(wǎng)絡(luò)整體框架
MBFF模塊結(jié)構(gòu)
供稿：深圳國(guó)際研究生院
編輯：李華山
審核：呂婷
