首頁 > 新聞中心 > 學術交流
甯波材料所iMED團隊多項研究成果被國際會議期刊錄用
作者:,日期:2019-07-12

  近日,中國科學院宁波材料技术与工程研究所所属慈溪医工所智能医疗影像分析团队iMED的多项科研成果被国际顶级会议和期刊录用。其中团队的5篇论文将发表在医学图像和计算机交叉领域的顶级国际会议International Conference on Medical Image Computing and Computer Assisted Intervention(MICCAI 2019)。 另外3篇分别发表在医学图像处理和人工智能的顶级期刊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

  具體研究內容如下:

  1. CS-Net: Channel and Spatial Attention Network for Curvilinear Structure Segmentation 基于通道和空间双重边缘注意力机制的眼科线状结构分割 (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制,實現了眼科多模態圖像的線狀結構檢測,其中包括:眼底相幹光層析血管成像(OCTA)、眼底視網膜彩照以及角膜共聚焦顯微鏡圖像中的線狀結構。

  2. Exploiting Reliability-guided Aggregation for the Assessment of Curvilinear Structure Tortuosity 基于可靠性聚合的眼科图像线状结构扭曲度评估(作者:苏攀,趙一天*,謝建洋,劉江等)

  在眼科圖像中,血管和神經的扭曲度對于多種疾病的檢查和診斷具有重要意義。爲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,可以産生更穩健的評估結果。該方法通過使用模糊聚類將數值扭曲度轉化爲“高”“中”“低”等語義值。在此基礎上,可利用模糊隸屬度近鄰計算各個扭曲度度量的可信度,並實現加權聚合,最後使用去模糊化的聚合結果對眼科圖像中呈現的血管和神經扭曲度進行分類或分級。

  3. Evaluation of Retinal Image Quality Assessment Networks in Different Color-spaces 不同颜色空间视网膜图像质量评价网络的评价(作者:付华柱*,劉江等,MICCAI 2019

  视网膜图像质量评估(RIQA)对控制视网膜成像的质量、保证眼科医生或自动化分析系统诊断的可靠性至关重要。现有的RIQA方法专注于RGB颜色空间,并且是基于具有两类标签的小数据集(即“接受”和“拒绝”)开发的。因此,文中提出了多种颜色空间的融合网络(Multiple Color-space Fusion Network,MCF-Net),首先使用来自EyePACS数据集的28792个视网膜图像重新标记Eye-Quality(EyeQ)数据集,该数据集基于三级质量分级系统(即“好”“可用”和“拒绝”)用于评估RIQA方法。相比于其他方法,文中的RIQA数据集具有大规模,多级分级和多模态的特点。然后,论文分析了在不同色彩空间中RIQA的影响,提出MCF-Net,该方法在特征层面和预测层面融合不同的颜色空间来评估图像质量等级。实验表明在EyeQ数据集中提出的MCF-Net获得了最优异的性能,优于其他深度学习方法。此外,论文还评估了不同质量图像的糖尿病视网膜病变(DR)检测方法,并证明自动诊断系统的性能高度依赖于图像质量。

  4. SkrGAN: Sketching-rendering Unconditional Generative Adversarial Networks for Medical Image Synthesis 基于绘图机制的无监督GAN用于医学图像生成(作者:张天阳,付华柱*,趙一天*,程駿,劉江等,MICCAI 2019

  在人體繪畫技巧的啓發下,論文提出由繪圖和顯色步驟組成的生成對抗網絡(SkrGAN)來引入草圖先驗約束,以指導無條件醫學圖像生成。實驗結果表明,所提出的SkrGAN在各種圖像模態下實現了最優異的結果,包括視網膜彩色眼底、X射線、計算機斷層掃描(CT)和磁共振成像(MRI)。此外,利用文中的合成圖像作爲數據增強,醫學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 用于光声图像重构的网络(Ki-GAN)(作者:兰恒荣^,周康^,高盛华*,程駿,劉江等,MICCAI 2019

  文章首次提出了一種新的基于深度學習光聲圖像重構模型,區別與已有的非叠代式的重構方法(包括直接處理和後處理方案),該模型通過融入傳統背投影算法的物理信息爲深度學習重構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絡的魯棒性,其在實驗數據中也表現出了令人滿意的結果。

  6. Retinal Vascular Network Topology Reconstruction and Artery/vein Classification via Dominant Sets Clustering 视网膜血管网络的拓扑重建与动静脉分类(作者:赵一天,谢建洋,苏攀*,劉江等,IEEE-TMI

  複雜血管網絡拓撲的估計對于理解血管變化與多種疾病之間的關系具有非常重要的意義。並且視網膜血管動脈和靜脈的自動分類會爲眼科醫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微變化,使得血管的自動分類面臨巨大挑戰。因此,文中提出了一種基于視網膜血管的拓撲結構實現動脈和靜脈自動分類的算法,通過圖的概念將複雜的視網膜血管結構簡化爲點和邊的集合:在血管分割的基礎上將其骨架化,並定位交點、分叉點等關鍵節點,然後在強度、方向、曲率、直徑和熵的特征空間定義反歐幾裏得距離,以此來作爲邊的權重。然後引入優勢集的概念,將拓撲估計和動靜脈分類數學化爲聚類問題,根據視網膜血管的連續性實現拓撲估計,並且根據先驗知識按照血管強度和形態實現視網膜血管的動靜脈分類。此外,文中還手動標注了INSPIRE,IOSTAR,VICAVR,DRIVE的血管拓撲結構,並且以開源方式提供,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 自动角度闭合检测的深度学习系统(作者:付华柱,刘江等, AJO

  前段光學相幹斷層掃描(AS-OCT)爲視覺識別前段結構提供了一種客觀的成像方式。本文開發了一種用于AS-OCT圖像自動角閉合檢測的深度學習系統,該系統可以幫助醫生判斷AS-OCT圖像是否存在角度閉合。團隊對2113例患者共4135張圖像進行了檢查,采用5倍交叉驗證方法,對一個二級分類問題的深度學習角封閉檢測系統進行了測試。測試結果表明,深度學習系統在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 基于多级深度网络的AS-OCT角度闭合检测(作者:付华柱,许言午*,劉江,IEEE-TCYB

  原發性閉角型青光眼可通過前段光學相幹斷層掃描(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習的AS-OCT圖像角度閉合檢測自動化系統。該系統提出了一種利用多層次深度網絡(MLDN)構建的學習方法,該方法基于臨床先驗知識,利用三個特殊的AS-OCT區域:整體前段結構、局部虹膜區域和前房角(ACA)區域。在實驗中,該系統在兩個臨床AS-OCT數據集上顯示出優于以前的檢測方法和其他深度學習系統的性能。

  (慈溪医工所 岳星宇)