近日，跨医学影像计算（MIC）和计算机辅助介入（CAI）两个领域的综合性国际顶级学术会议——2021年国际医学图像计算与计算机辅助介入大会（International Conference on Medical Image Computing and Computer Assisted Intervention, MICCAI 2021）在法国斯特拉斯堡举行，信息科学与技术学部李秀教授团队和杨文明副教授团队的三篇论文审稿得分位列前13%，被会议提前接收。
2017级控制科学与工程专业博士生严江鹏（指导老师：李秀教授）发表论文《层次注意力引导的多分辨率协同全场病理图像分割框架》（Hierarchical Attention Guided Framework for Multi-resolution Collaborative Whole Slide Image Segmentation），该论文的相关工作由我院李秀教授团队主导，腾讯AI Lab和上海东方肝胆医院共同完成。论文针对病理图像分辨率跨度大及联合分析困难的问题，提出了一种基于层次注意力引导的多分辨率病理图像互助分割框架，该框架能够在融合不同分辨率病理图像信息取得更好分割结果的同时，大大节省网络推断中的浮点运算数。
图1：严江鹏做学术分享
全场病理图像（WSI）中癌组织区域的分割是计算机辅助癌症诊断的重要步骤。然而，由于WSI图像的尺度过大，通常通过下采样成低分辨率图像或被裁剪成高分辨率局部图像块进行分析。独立处理高分辨率的局部图像块可能会忽略病理组织的全局关系，且推理速度较慢。使用低分辨率WSI图像分析可以扩大感受野，但会丢失局部细节。此工作提出了一个层次注意引导的多分辨率协同分割框架来解决上述问题。具体来说，该框架包含一个全局分析分支和若干个局部分析分支，以在不同的分辨率上执行WSI癌组织区域预测。作者让全局分析分支额外生成一个带有稀疏约束的层次注意图，用以融合多分辨率分割预测以获得更好的性能。在推理过程中，则利用稀疏注意图作为区域选择先验，采用四叉树加速策略选择重要的局部区域。在两个WSI数据集上的实验结果突出了该框架以下优点：1、能有效地聚合多分辨率信息以获得更好的病理图像分割结果；2、可以显著降低计算成本以加速预测而不降低精度；3、发现了不同的癌症种类具有不同分辨率的WSI图像响应偏好，体现了框架在计算机辅助癌症分析可解释性方面具备潜力。
图2：层次注意力病理图像多尺度联合分割框架
2018级数据科学与信息技术专业硕士生徐哲（指导老师：李秀教授）发表论文《含噪标注是财富——用于肝血管分割的均值教师辅助信度学习框架》（Noisy Labels are Treasure: Mean-Teacher-Assisted Confident Learning for Hepatic Vessel Segmentation），该论文的相关工作由我院李秀教授团队主导，腾讯天衍实验室和哈佛大学医学院共同完成。论文针对肝部CT图像中血管标注困难和分割标签中噪声大的问题，提出一种新型的均值教师-学生网络辅助的标签可信度学习框架，从带有噪声标注的数据集中提取关键信息，从而提升肝部血管的分割效果。
图3：徐哲在哈佛大学医学院完成为期半年的访学交流
由于低对比度和复杂的血管形态，从计算机断层扫描（CT）中手动分割肝血管比其他结构更需要专业知识和费力，导致高质量标记数据的极度缺乏。如果没有足够的高质量注释，通常的基于数据驱动的学习方法难以解决训练不足的问题。另一方面，直接引入带有低质量注释的附加数据可能会误导网络的学习，导致最终分割性能的下降。为了解决这个问题，论文提出了一个均值教师-学生辅助的标签信度学习框架，以更好地利用噪声标记数据进行具有挑战性的肝血管分割任务。具体而言，借助均值教师-学生模型来进行含噪音标签的自适应信度学习——将低质量标注数据集中的噪声标签通过像素级软校正从“负担”转换为“财富”，从而提供更好的监督信息。在两个公共数据集上进行实验证明了该框架能够利用带有大量噪音的标签来提高肝部血管的分割性能，且效果显著。
图4：信度教师-学生肝血管分割算法框架
2019级精准医学与公共健康专业硕士生弥世玉和2019级信息与通信工程专业博士生鲍琦琦（指导老师：杨文明副教授）共同发表论文《用于超声图像中颈动脉斑块分割的多分支特征融合网络》（MBFF-Net: Multi-Branch Feature Fusion Network for Carotid Plaque Segmentation in Ultrasound），该论文的相关工作由我院杨文明副教授团队主导，鹏城实验室和深圳市人民医院共同完成。论文针对超声图像中颈动脉斑块的分割问题，提出了一种多分支特征融合网络，将血管壁位置作为先验信息引导斑块分割，并加入边界保留分支来改善模糊边界的提取效果，相比昂贵的CT和MRI图像，超声图像噪点多，血管与斑块的分割提取更具有挑战性。
图5：鲍琦琦（左）、弥世玉（右）
颈动脉粥样硬化斑块的检测对于缺血性卒中的预防和治疗具有重要价值，该论文着力实现超声图像中颈动脉斑块的自动分割。斑块的生成机理决定了斑块通常出现在血管壁的内中膜之间，因此模型融入了内中膜检测的前序工作，并将其作为先验信息辅助斑块分割。为了充分利用内中膜位置的先验信息，一个多分支特征融合（MBFF）模块被设计用来融合先验知识、提取超声图像的多尺度特征和每层特征的多尺度上下文信息。此外，论文提出一个边界提取结构来增强斑块边界，从而降低超声图像中病灶边界模糊的影响。对比实验结果显示MBFF-Net的斑块分割效果优于现有的分割网络。
图6：多尺度特征融合网络整体框架
图7：MBFF模块结构
文：严江鹏、弥世玉、洪明春
图：黄凌燕、徐哲、弥世玉
编辑：黄萧嘉
