寧波材料所iMED團(tuán)隊多項研究成果被國際會議期刊錄用
近日，中國科學(xué)院寧波材料技術(shù)與工程研究所所屬慈溪醫(yī)工所智能醫(yī)療影像分析團(tuán)隊iMED的多項科研成果被國際頂級會議和期刊錄用。其中團(tuán)隊的5篇論文將發(fā)表在醫(yī)學(xué)圖像和計算機(jī)交叉領(lǐng)域的頂級國際會議International Conference on Medical Image Computing and Computer Assisted Intervention（MICCAI 2019）。 另外3篇分別發(fā)表在醫(yī)學(xué)圖像處理和人工智能的頂級期刊IEEE Transaction on Medical Imaging（IF=7.816），IEEE Transactions on Cybernetics (IF= 10.387)，American Journal of Ophthalmology (IF=4.483)。文章列表如下：
·L. Mou et al., CS-Net: Channel and Spatial Attention Network for Curvilinear Structure Segmentation, MICCAI 2019, early accept.
·P. Su et al., Exploiting Reliability-guided Aggregation for the Assessment of Curvilinear Structure Tortuosity, MICCAI 2019, early accept.
·H. Fu et al., Evaluation of Retinal Image Quality Assessment Networks in Different Color-spaces, MICCAI 2019, early accept.
·T. Zhang et al., SkrGAN: Sketching-rendering Unconditional Generative Adversarial Networks for Medical Image Synthesis, MICCAI 2019
·H. Lan et al., Ki-GAN: Knowledge Infusion Generative Adversarial Network for Photoacoustic Image Reconstruction in vivo, MICCAI 2019
·Y. Zhao et al., Retinal Vascular Network Topology Reconstruction and Artery/vein Classification via Dominant Sets Clustering, IEEE Transaction on Medical Imaging, 2019
·H. Fu et al., Angle-Closure Detection in Anterior Segment OCT based on Multi-Level Deep Network, IEEE Transactions on Cybernetics, 2019
·H. Fu et al., A Deep Learning System for Automated Angle-Closure Detection in Anterior Segment Optical Coherence Tomography Images, American Journal of Ophthalmology, 2019
具體研究內(nèi)容如下：
1. CS-Net: Channel and Spatial Attention Network for Curvilinear Structure Segmentation 基于通道和空間雙重邊緣注意力機(jī)制的眼科線狀結(jié)構(gòu)分割 （作者：牟磊，趙一天*，程駿，劉江等，MICCAI 2019）
本文基于通道和空間雙重邊緣注意力機(jī)制，實現(xiàn)了眼科多模態(tài)圖像的線狀結(jié)構(gòu)檢測，其中包括：眼底相干光層析血管成像（OCTA）、眼底視網(wǎng)膜彩照以及角膜共聚焦顯微鏡圖像中的線狀結(jié)構(gòu)。
2. Exploiting Reliability-guided Aggregation for the Assessment of Curvilinear Structure Tortuosity 基于可靠性聚合的眼科圖像線狀結(jié)構(gòu)扭曲度評估（作者：蘇攀，趙一天*，謝建洋，劉江等）
在眼科圖像中，血管和神經(jīng)的扭曲度對于多種疾病的檢查和診斷具有重要意義。為了避免使用單一扭曲度度量帶來的潛在偏差，本文提出一種使用多種度量聚合的方法，可以產(chǎn)生更穩(wěn)健的評估結(jié)果。該方法通過使用模糊聚類將數(shù)值扭曲度轉(zhuǎn)化為“高”“中”“低”等語義值。在此基礎(chǔ)上，可利用模糊隸屬度近鄰計算各個扭曲度度量的可信度，并實現(xiàn)加權(quán)聚合，最后使用去模糊化的聚合結(jié)果對眼科圖像中呈現(xiàn)的血管和神經(jīng)扭曲度進(jìn)行分類或分級。
3. Evaluation of Retinal Image Quality Assessment Networks in Different Color-spaces 不同顏色空間視網(wǎng)膜圖像質(zhì)量評價網(wǎng)絡(luò)的評價（作者：付華柱*，劉江等，MICCAI 2019）
視網(wǎng)膜圖像質(zhì)量評估（RIQA）對控制視網(wǎng)膜成像的質(zhì)量、保證眼科醫(yī)生或自動化分析系統(tǒng)診斷的可靠性至關(guān)重要?，F(xiàn)有的RIQA方法專注于RGB顏色空間，并且是基于具有兩類標(biāo)簽的小數(shù)據(jù)集（即“接受”和“拒絕”）開發(fā)的。因此，文中提出了多種顏色空間的融合網(wǎng)絡(luò)（Multiple Color-space Fusion Network，MCF-Net），首先使用來自EyePACS數(shù)據(jù)集的28792個視網(wǎng)膜圖像重新標(biāo)記Eye-Quality（EyeQ）數(shù)據(jù)集，該數(shù)據(jù)集基于三級質(zhì)量分級系統(tǒng)（即“好”“可用”和“拒絕”）用于評估RIQA方法。相比于其他方法，文中的RIQA數(shù)據(jù)集具有大規(guī)模，多級分級和多模態(tài)的特點。然后，論文分析了在不同色彩空間中RIQA的影響，提出MCF-Net，該方法在特征層面和預(yù)測層面融合不同的顏色空間來評估圖像質(zhì)量等級。實驗表明在EyeQ數(shù)據(jù)集中提出的MCF-Net獲得了最優(yōu)異的性能，優(yōu)于其他深度學(xué)習(xí)方法。此外，論文還評估了不同質(zhì)量圖像的糖尿病視網(wǎng)膜病變（DR）檢測方法，并證明自動診斷系統(tǒng)的性能高度依賴于圖像質(zhì)量。
4. SkrGAN: Sketching-rendering Unconditional Generative Adversarial Networks for Medical Image Synthesis 基于繪圖機(jī)制的無監(jiān)督GAN用于醫(yī)學(xué)圖像生成（作者：張?zhí)礻枺度A柱*，趙一天*，程駿，劉江等，MICCAI 2019）
在人體繪畫技巧的啟發(fā)下，論文提出由繪圖和顯色步驟組成的生成對抗網(wǎng)絡(luò)（SkrGAN）來引入草圖先驗約束，以指導(dǎo)無條件醫(yī)學(xué)圖像生成。實驗結(jié)果表明，所提出的SkrGAN在各種圖像模態(tài)下實現(xiàn)了最優(yōu)異的結(jié)果，包括視網(wǎng)膜彩色眼底、X射線、計算機(jī)斷層掃描（CT）和磁共振成像（MRI）。此外，利用文中的合成圖像作為數(shù)據(jù)增強(qiáng)，醫(yī)學(xué)圖像分割方法的性能可以得到提高。
5. Ki-GAN: Knowledge Infusion Generative Adversarial Network for Photoacoustic Image Reconstruction in vivo 用于光聲圖像重構(gòu)的網(wǎng)絡(luò)（Ki-GAN）（作者：蘭恒榮^，周康^，高盛華*，程駿，劉江等，MICCAI 2019）
文章首次提出了一種新的基于深度學(xué)習(xí)光聲圖像重構(gòu)模型，區(qū)別與已有的非迭代式的重構(gòu)方法（包括直接處理和后處理方案），該模型通過融入傳統(tǒng)背投影算法的物理信息為深度學(xué)習(xí)重構(gòu)模型提供了重要的紋理信息。通過對物理信息的融合，模型在保證成像速度的同時提高了網(wǎng)絡(luò)的魯棒性，其在實驗數(shù)據(jù)中也表現(xiàn)出了令人滿意的結(jié)果。
6. Retinal Vascular Network Topology Reconstruction and Artery/vein Classification via Dominant Sets Clustering 視網(wǎng)膜血管網(wǎng)絡(luò)的拓?fù)渲亟ㄅc動靜脈分類（作者：趙一天，謝建洋，蘇攀*，劉江等，IEEE-TMI）
復(fù)雜血管網(wǎng)絡(luò)拓?fù)涞墓烙媽τ诶斫庋茏兓c多種疾病之間的關(guān)系具有非常重要的意義。并且視網(wǎng)膜血管動脈和靜脈的自動分類會為眼科醫(yī)生對眼科疾病的診斷和治療帶來很大幫助。然而，它們的投影模糊性以及成像過程中外觀、對比度和幾何形狀的細(xì)微變化，使得血管的自動分類面臨巨大挑戰(zhàn)。因此，文中提出了一種基于視網(wǎng)膜血管的拓?fù)浣Y(jié)構(gòu)實現(xiàn)動脈和靜脈自動分類的算法，通過圖的概念將復(fù)雜的視網(wǎng)膜血管結(jié)構(gòu)簡化為點和邊的集合：在血管分割的基礎(chǔ)上將其骨架化，并定位交點、分叉點等關(guān)鍵節(jié)點，然后在強(qiáng)度、方向、曲率、直徑和熵的特征空間定義反歐幾里得距離，以此來作為邊的權(quán)重。然后引入優(yōu)勢集的概念，將拓?fù)涔烙嫼蛣屿o脈分類數(shù)學(xué)化為聚類問題，根據(jù)視網(wǎng)膜血管的連續(xù)性實現(xiàn)拓?fù)涔烙?，并且根?jù)先驗知識按照血管強(qiáng)度和形態(tài)實現(xiàn)視網(wǎng)膜血管的動靜脈分類。此外，文中還手動標(biāo)注了INSPIRE，IOSTAR，VICAVR，DRIVE的血管拓?fù)浣Y(jié)構(gòu)，并且以開源方式提供，以方便其他研究人員使用。
7. A Deep Learning System for Automated Angle-Closure Detection in Anterior Segment Optical Coherence Tomography Images AS-OCT 自動角度閉合檢測的深度學(xué)習(xí)系統(tǒng)（作者：付華柱，劉江等, AJO）
前段光學(xué)相干斷層掃描（AS-OCT）為視覺識別前段結(jié)構(gòu)提供了一種客觀的成像方式。本文開發(fā)了一種用于AS-OCT圖像自動角閉合檢測的深度學(xué)習(xí)系統(tǒng)，該系統(tǒng)可以幫助醫(yī)生判斷AS-OCT圖像是否存在角度閉合。團(tuán)隊對2113例患者共4135張圖像進(jìn)行了檢查，采用5倍交叉驗證方法，對一個二級分類問題的深度學(xué)習(xí)角封閉檢測系統(tǒng)進(jìn)行了測試。測試結(jié)果表明，深度學(xué)習(xí)系統(tǒng)在AS-OCT圖像角度閉合檢測中具有很大潛力。
8. Angle-Closure Detection in Anterior Segment OCT based on Multi-Level Deep Network 基于多級深度網(wǎng)絡(luò)的AS-OCT角度閉合檢測（作者：付華柱，許言午*，劉江，IEEE-TCYB）
原發(fā)性閉角型青光眼可通過前段光學(xué)相干斷層掃描（AS-OCT）檢測到不可逆性視力損害。本文提出了一種基于深度學(xué)習(xí)的AS-OCT圖像角度閉合檢測自動化系統(tǒng)。該系統(tǒng)提出了一種利用多層次深度網(wǎng)絡(luò)（MLDN）構(gòu)建的學(xué)習(xí)方法，該方法基于臨床先驗知識，利用三個特殊的AS-OCT區(qū)域：整體前段結(jié)構(gòu)、局部虹膜區(qū)域和前房角（ACA）區(qū)域。在實驗中，該系統(tǒng)在兩個臨床AS-OCT數(shù)據(jù)集上顯示出優(yōu)于以前的檢測方法和其他深度學(xué)習(xí)系統(tǒng)的性能。
?。ù认t(yī)工所 岳星宇）