您当前的位置:
科研动态

实验室MIRACLE研究组4篇文章被MICCAI 2019接收

发布时间: 2019-07-10

实验室MIRACLE研究组4篇论文被MICCAI2019接收,其中关于X光胸片增强和多器官分割的两篇论文均获得审稿人一致好评,无需rebuttal被MICCAI 2019直接录用。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,迄今已经举办了21届。第22届MICCAI会议将于2019年10月在中国深圳召开,本次会议共收到投稿1700余篇,往年的录用率通常在30%以内。

研究组两篇论文概要信息如下:

1.Encoding CT Anatomy Knowledge for Unpaired Chest X-ray Image Decomposition (Zeju Li, Han Li, Hu Han,Gonglei Shi, Jiannan Wang, S. Kevin Zhou)

X光胸片因其成本低、易实时,是目前最常用的肺部和胸部影像检查方式之一。然而,由于X光胸片本身是骨骼、肺以及其它组织重叠在一起的2D影像,肋骨、锁骨等骨结构往往对肺部喜剧造成遮挡,从而严重影响了医生对肺部疾病诊断的准确性。目前,双能X光成像是一种可以获得无骨X光胸片的成像方式,但其辐射剂量相对大、成本也较高,目前的使用范围相对有限。如何充分发挥目前广泛存在的X光胸片在临床诊断中的作用成为一项重要的研究课题。本文提出了一种无监督的X光胸片分解网络(DecGAN),能利用非成对的3D CT影像中的结构化影像知识,实现对2D X光胸片中骨、肺、软组织等不同部分的分解,进而可以根据需要突出某一部分的影像细节信息获得增强的X光胸片(方法框图如图1所示)。本文的主要贡献包括,(1)不同于传统的依赖于成对数据的领域知识迁移方法,本文所提出的方法能有效地利用3D CT图像的解剖结构知识实现对非配对的2D X光胸片的准确分解;2)增强的X光胸片可用于自动肺部疾病分类,在同等测试条件下取得了超过业界最好方法的肺部疾病分类准确率。

图1. 论文所提出的DecGAN 网络框架图

2. 3D U2-Net: A 3D Universal U-Net for Multi-Domain Medical Image Segmentation (Chao Huang,Hu Han, Qingsong Yao, Shankuan Zhu, Kevin Zhou)

1.器官与病灶区域分割是医学影像分析中的重要内容之一,传统方法通常需要为每个器官和每种模态单独建立一个分割模型。当面对一种新的分割任务或影像模态时,通常需要重新训练和设计分割网络,缺乏普适性。为此,我们设计了一种更具普适性的分割模型,利用一个模型实现对多器官与多模态条件下的自适应目标分割(如图2所示)。本文的主要贡献包括:(1)基于可分卷积的思想,设计了一种领域适配器,其由逐通道卷积和逐点卷积组成,逐通道卷积用作提取领域特有特征而逐点卷积用作提取领域间共享特征。以U-Net 3D为骨架网络,将其标准卷积替换成上述领域适配器,形成多领域分割普适性的分割网络结构;(2)引入循环赛的方式实现基于多数据集的普适性分割模型训练框架;(3)我们在五个人体器官数据集上所得到的普适性分割模型,取得了与传统独立模型相当的分割准确率,但模型参数量却显著减少,仅为后者的1%;(4)上述普适性模型可以很好的迁移到新数据集任务上,表明了其较强的推广能力。

图2. 论文所提出的3D U2-Net 框架图

3. Generative Mask Pyramid Network forCT/CBCT Metal Artifact Reduction with Joint Projection-Sinogram Correction (Haofu Liao, Wei-An Lin, Zhimin Huo, Levon Vogelsang, William J. Sehnert, S. Kevin Zhou, Jiebo Luo)

4.Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction (Haofu Liao, Wei-An Lin, Jianbo Yuan, S. Kevin Zhou, Jiebo Luo)

论文信息:

[1] Zeju Li, Han Li, Hu Han, Gonglei Shi, Jiannan Wang, S. Kevin Zhou. “Encoding CT Anatomy Knowledge for Unpaired Chest X-ray Image Decomposition,” to appear in MICCAI 2019.

[2] Chao Huang, Hu Han, , Qingsong Yao, Shankuan Zhu, S. Kevin Zhou. “3D U2-Net: A 3D Universal U-Net for Multi-Domain Medical Image Segmentation,” to appear in MICCAI 2019.

[3] Haofu Liao, Wei-An Lin, Zhimin Huo, Levon Vogelsang, William J. Sehnert, S. Kevin Zhou, Jiebo Luo. “Generative Mask Pyramid Network forCT/CBCT Metal Artifact Reduction with Joint Projection-Sinogram Correction.” to appear in MICCAI 2019.

[4] Haofu Liao, Wei-An Lin, Jianbo Yuan, S. Kevin Zhou, Jiebo Luo.” Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction.” to appear in MICCAI 2019.



附件: