MUSIC实验室在国际顶会MICCAI 2020发表6篇论文

发布时间 : 2020-08-20 阅读次数 : 2789

MUSIC实验室6篇论文被MICCAI 2020接收，其中4篇是提前接收。MICCAI的全称是International Conference on Medical Image Computing and Computer Assisted Intervention，是医学图像分析领域的顶级国际会议。6篇论文概要信息如下：

一、MUSIC团队在基于超声心动图序列的左心功能评估方面的工作“Temporal-Consistent Segmentation of Echocardiography with Co-learning from Appearance and Shape”被MICCAI 2020提前接收。该工作在协同学习的思想下，实现心脏结构分割与运动光流估计两个任务在外观和形状两方面协同学习，从而达到二者交替优化，互相促进的效果。该方法对左心室射血分数的估计性能达到了目前国际最好的性能，与真实值的相关性达到92.6%。

二、MUSIC团队在基于ABUS图像的乳腺癌辅助诊断的工作“Computer-aided Tumor Diagnosis in Automated Breast Ultrasound using 3D Detection Network”被MICCAI 2020提前接收。该工作创新性的提出一个双级的三维检测模型，引入混合相似性损失，该损失函数一方面可以促使网络更有效的关注乳腺癌特征的学习和提取，另一方面可以有机的结合病灶定位和病灶良恶性分类任务，使两者互为促进，协同优化。我们开发的三维检测模型实现全自动乳腺肿瘤辅助诊断，取得了敏感性>95%，平均假阳数约1个，良恶性分类准确性AUC=87.2%的出色性能。

三、标准切面的获取对超声诊断的意义重大。相比于二维超声，三维超声因其包含了丰富的诊断信息，在临床的应用中越来越广泛。MUSIC团队建立了一个自动化的三维超声多标准切面定位系统，可以有效减轻医生的负担，发表论文“Searching Collaborative Agents for Multi-plane Localization in 3D Ultrasound”，被MICCAI 2020提前接收。本研究在三维子宫数据集的正中矢状面，横断面以及冠状面上验证，取得了比其他方法更好的性能，同时所需的参数量也更少。

四、MUSIC团队提出了一种新颖有效的框架来改善超声图像的边界预测，基于此研究成果 “Contrastive Rendering for Ultrasound Image Segmentation”被MICCAI 2020提前接收。首先，建议将边界估计公式化为渲染任务，该任务可以识别歧义点（像素/体素）并通过丰富的特征表示学习来校准边界预测。其次，引入逐点比较学习，以提高同一类别中各点的相似性，反之则减少不同类别中各点的相似性。因此，边界歧义得到了进一步解决。第三，渲染和比较学习任务都有助于持续改进，同时减少网络参数。作为概念验证，团队在具有挑战性的86个超声卵巢体积数据集上进行了验证实验，并取得了卓越的效果。

五、团队提出了一种新型的多模态网络，具有良好的易学性和简洁性，可提高分类精度。基于此研究“Auto-weighting for Breast Cancer Classification in Multimodal Ultrasound ”被MICCAI 2020接收，关键是使用权重分配战略，鼓励各种模态之间的相互作用，并整合全局信息。与硬编码模型中每个模态的手动权值不同，我们将其嵌入一个强化学习框架中，以端到端的方式学习这个权值。因此，该模型被训练为寻求最优的多模态组合，而不需要手动设置。在包含1616组多模态图像的数据集上对提出的框架进行评估。结果表明，该模型的分类精度达到95.4%，表明了该方法的有效性。

六、团队在基于胃窦超声图像分割的工作“Texture Loss Based Network for Gastric Antrum Segmentation in Ultrasound”被MICCAI 2020接收，本文提出了一种鲁棒的胃窦超声图像分割算法；算法在包含25个测试病例的样本上，相较于基准算法获得了更好的分割效果；本文提出的多尺度的边界纹理损失函数能有效的避免由于仅适用形状相似性损失而导致的过拟合问题，提升算法在纹理差异较大的数据上的鲁棒性。