新闻中心
-
叶初阳副教授研究组在MICCAI 2020 Workshop上作口头报告
来源: 发布日期:2020年10月20日近日,信号与图像处理研究所叶初阳副教授研究组在医学图像处理方面取得进展,两篇论文被MICCAI 2020 Workshop接收,并在研讨会上作口头汇报。
叶初阳副教授硕士研究生刘妍麟以第一作者在MICCAI 2020 Brain Lesion (BrainLes) Workshop上发表了题目为“Volume Preserving Brain Lesion Segmentation”的论文,并在研讨会上作了口头汇报。现有的脑梗塞病灶分割方法通常采用交叉熵、Dice系数等作为训练指标,不能保证基于自动分割结果的后续统计特征分析的一致性,例如对病灶体积特征的分析可能存在偏差。然而在实际应用中,体积指标的准确获取对于后续脑梗塞干预方案的设计具有重要意义。本文提出了一种基于体积约束损失函数的脑梗塞病灶自动分割方法,将病灶的体积特征引入损失函数,从而降低分割结果中病灶的体积特征的偏差,并提高网络分割结果准确性。定性实验结果和定量实验结果表明,该方法有助于提升网络的分割准确性,并提高了自动分割结果与真实标注之间的病灶体积的一致性。
图1 基于体积约束的脑病灶分割结果图
叶初阳副教授博士研究生李雨星以第一作者发表了题目为“Pretraining Improves Deep Learning Based Tissue Microstructure Estimation”的论文,被MICCAI 2020 Computational Diffusion MRI (CDMRI) Workshop接收,并在研讨会上作了口头汇报。本文探索了预训练策略对于基于深度学习的脑组织微观结构的预测的影响和可实现性。弥散核磁共振成像能够非侵入性地观测脑组织微观结构,从而为脑研究提供重要的生物标记。然而,由于成像时间的限制,通常情况下得到的成像扫描都受限于弥散梯度的数目和空间分辨率。对此,基于深度学习的方法被应用于低质量的成像扫描到高质量的组织微观结构的预测,而这种方法都是从头训练(train from scratch)得到的。鉴于预训练能够为深度网络提供更好的初始化并且减少训练数据量的优点。本工作探索了在将拥有大量高质量成像扫描的数据集作为辅助数据集进行预训练的情况下,在仅有少量用于训练的高质量成像扫描的目标数据集上进行微调的效果。结果表明,利用在辅助数据集上的预训练策略,在目标数据集上微调的脑组织微观结构预测的质量,较同等条件下的从头训练的质量而言有了明显的提高,并且可以降低对目标数据集上训练数据采集数量的需求。
图2 脑组织微观结构预测结果图