近日，中国科学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

　　具体研究内容如下：

　　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，赵一天^*，程骏，刘江等，MICCAI 2019）

　　本文基于通道和空间双重边缘注意力机制，实现了眼科多模态图像的线状结构检测，其中包括：眼底相干光层析血管成像（OCTA）、眼底视网膜彩照以及角膜共聚焦显微镜图像中的线状结构。

　　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，赵一天^*，谢建洋，刘江等）

　　在眼科图像中，血管和神经的扭曲度对于多种疾病的检查和诊断具有重要意义。为了避免使用单一扭曲度度量带来的潜在偏差，本文提出一种使用多种度量聚合的方法，可以产生更稳健的评估结果。该方法通过使用模糊聚类将数值扭曲度转化为“高”“中”“低”等语义值。在此基础上，可利用模糊隶属度近邻计算各个扭曲度度量的可信度，并实现加权聚合，最后使用去模糊化的聚合结果对眼科图像中呈现的血管和神经扭曲度进行分类或分级。

　　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^*，刘江等，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^*，赵一天^*，程骏，刘江等，MICCAI 2019）

　　在人体绘画技巧的启发下，论文提出由绘图和显色步骤组成的生成对抗网络（SkrGAN）来引入草图先验约束，以指导无条件医学图像生成。实验结果表明，所提出的SkrGAN在各种图像模态下实现了最优异的结果，包括视网膜彩色眼底、X射线、计算机断层扫描（CT）和磁共振成像（MRI）。此外，利用文中的合成图像作为数据增强，医学图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^*，程骏，刘江等，MICCAI 2019）

　　文章首次提出了一种新的基于深度学习光声图像重构模型，区别与已有的非迭代式的重构方法（包括直接处理和后处理方案），该模型通过融入传统背投影算法的物理信息为深度学习重构模型提供了重要的纹理信息。通过对物理信息的融合，模型在保证成像速度的同时提高了网络的鲁棒性，其在实验数据中也表现出了令人满意的结果。

　　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^*，刘江等，IEEE-TMI）

　　复杂血管网络拓扑的估计对于理解血管变化与多种疾病之间的关系具有非常重要的意义。并且视网膜血管动脉和静脉的自动分类会为眼科医生对眼科疾病的诊断和治疗带来很大帮助。然而，它们的投影模糊性以及成像过程中外观、对比度和几何形状的细微变化，使得血管的自动分类面临巨大挑战。因此，文中提出了一种基于视网膜血管的拓扑结构实现动脉和静脉自动分类的算法，通过图的概念将复杂的视网膜血管结构简化为点和边的集合：在血管分割的基础上将其骨架化，并定位交点、分叉点等关键节点，然后在强度、方向、曲率、直径和熵的特征空间定义反欧几里得距离，以此来作为边的权重。然后引入优势集的概念，将拓扑估计和动静脉分类数学化为聚类问题，根据视网膜血管的连续性实现拓扑估计，并且根据先验知识按照血管强度和形态实现视网膜血管的动静脉分类。此外，文中还手动标注了INSPIRE，IOSTAR，VICAVR，DRIVE的血管拓扑结构，并且以开源方式提供，以方便其他研究人员使用。

　　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）

　　前段光学相干断层扫描（AS-OCT）为视觉识别前段结构提供了一种客观的成像方式。本文开发了一种用于AS-OCT图像自动角闭合检测的深度学习系统，该系统可以帮助医生判断AS-OCT图像是否存在角度闭合。团队对2113例患者共4135张图像进行了检查，采用5倍交叉验证方法，对一个二级分类问题的深度学习角封闭检测系统进行了测试。测试结果表明，深度学习系统在AS-OCT图像角度闭合检测中具有很大潜力。

　　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^*，刘江，IEEE-TCYB）

　　原发性闭角型青光眼可通过前段光学相干断层扫描（AS-OCT）检测到不可逆性视力损害。本文提出了一种基于深度学习的AS-OCT图像角度闭合检测自动化系统。该系统提出了一种利用多层次深度网络（MLDN）构建的学习方法，该方法基于临床先验知识，利用三个特殊的AS-OCT区域：整体前段结构、局部虹膜区域和前房角（ACA）区域。在实验中，该系统在两个临床AS-OCT数据集上显示出优于以前的检测方法和其他深度学习系统的性能。

　　（慈溪医工所 岳星宇）