MICCAI (International Conference on Medical Image Computing and Computer Assisted Intervention) 是医学图像分析领域国际公认最具影响力的学术会议，聚焦医学影像计算和计算机辅助干预领域的最新研究和技术创新。近期，我院张道强教授课题组6篇论文入选MICCAI 2024，其中3篇为提前录用（前11%）。
实验室博一学生唐娇，在邵伟副教授和张道强教授的指导下，以第一作者身份提前录用论文《OSAL-ND: Open-set Active Learning for Nucleus Detection》。论文介绍了一个两阶段的主动学习框架OSAL-ND,用于开集环境下的细胞核检测任务。具体来说，论文提出了一个基于辅助检测器的原型查询策略,用于在未标注池中选择纯度更高的候选样本集,以减少未知类样本的影响。继而, 该论文基于目标检测器,从候选样本集中进一步查询不确定性最大的样本,用于细胞核检测模型的训练。论文在NuCLS数据集上评估了OSAL-ND方法的性能。实验结果表明,OSAL-ND不仅可以提升已知类样本的选择质量,同时与现有方法相比,可以在低标注负担下实现更高的检测精度。
图1. OSAL-ND框架展示图
图2. OSAL-ND与其他方法精度对比展示图
图3. OSAL-ND与其他方法对已知类别细胞核选择数量对比展示图
实验室万鹏讲师以第一作者身份发表了论文《Correlation-adaptive Multi-view CEUS Fusion for Liver Cancer Diagnosis》。该论文提出了一种相关性自适应评估的多视图超声造影融合分析方法，旨在提升肝癌诊断的准确性。针对传统多视图学习方法未能充分考虑不同视图之间相关性差异的问题，该方法通过证据理论动态评估每个视图的预测相关性。根据视图间预测一致性和视图内预测置信度，视图被划分为可信和不可信两类。在融合过程中，可信视图被赋予较大的权重，而不可信视图的权重则被降低。这种方法有效地减少了由不同视角成像质量差异和诊断特征存在与否导致的相关性差异问题。
在对238名肝癌患者的双屏CEUS图像数据进行回顾性研究时，该方法表现出色，达到了88.33%的诊断准确率和92.48%的特异性。实验结果表明，与现有方法相比，该方法在原发性肝癌鉴别诊断中提供了更为可靠的结果。
图4. 相关性自适应评估的多视图超声分类框图
表1. 不同多视图分类算法肝癌诊断结果对比
实验室研一学生唐鑫，在陈芳副教授和张道强教授的指导下，以第一作者身份提前录用论文《Follow Sonographers’Visual Scan-path: Adjusting CNN Model for Diagnosing Gout from Musculoskeletal Ultrasound》。论文介绍了一种能够同时分割手臂肌骨超声中皮下脂肪、肌肉和骨骼等复杂层状结构，促进乳腺癌相关性淋巴水肿的诊断和监测。现有研究主要关注肌骨超声中单个肌肉或骨骼的分割，忽略了多层结构的混合形态特征。因此，本文提出一种Hybrid Structure-oriented Transformer，结合hierarchical-consistency relative position encoding和structure-biased constraint，能够有效捕捉肌骨超声中各种形态的分层结构特征。在公开和私有两个手臂肌骨超声数据集的实验表明，该模型显著提高了皮肤、脂肪、肌肉和骨骼等层级结构的分割性能，同时具有良好的泛化性能和临床应用的潜力。
图5. 融合医生眼动信息的痛风诊断模型框图
表2. 不同模型痛风诊断性能比较
图6. 不同模型痛风诊断热力图可视化比较
实验室博一学生陈凌钰，在陈芳副教授和张道强教授的指导下，以第一作者身份提前录用论文《Hybrid-Structure-Oriented Transformer for Arm Musculoskeletal Ultrasound Segmentation》。论文介绍了一种能够同时分割手臂肌骨超声中皮下脂肪、肌肉和骨骼等复杂层状结构，促进乳腺癌相关性淋巴水肿的诊断和监测。现有研究主要关注肌骨超声中单个肌肉或骨骼的分割，忽略了多层结构的混合形态特征。因此，本文提出一种Hybrid Structure-oriented Transformer，结合hierarchical-consistency relative position encoding和structure-biased constraint，能够有效捕捉肌骨超声中各种形态的分层结构特征。在公开和私有两个手臂肌骨超声数据集的实验表明，该模型显著提高了皮肤、脂肪、肌肉和骨骼等层级结构的分割性能，同时具有良好的泛化性能和临床应用的潜力。
图7. 混合结构导向的Transformer框架
图8. 不同模型分割结果可视化比较
实验室研二学生赵韵曦，在温旭云副教授和张道强教授的指导下，以第一作者身份录用论文《TARDRL: Task-Aware Reconstruction for Dynamic Representation Learning of fMRI》。论文提出了一种任务感知的fMRI数据重建方法来学习稳健的任务相关大脑表征，从而提高下游疾病诊断精度。与传统基于掩码自编码器中重建和预测任务的串行设计不同，TARDRL并行化了重建和疾病诊断任务。通过这一并行框架，下游的疾病诊断任务能够有效引导上游的fMRI重建任务，使其聚焦于与疾病相关性更强的脑区。具体来说，该模型利用诊断任务中生成的注意力矩阵来引导重建任务，掩蔽重要脑区的信号并进行重建，使得重建过程具备任务感知能力。在ABIDE数据集和ADNI数据集上的实验表明，TARDRL显著提升了基于fMRI的自闭症谱系障碍（ASD）和阿尔茨海默病（AD）的诊断精度。此外，后续的分析也验证了模型的可解释性。
图9. TARDRL框架图
表3. TARDRL与其他方法精度对比
图10. 在预测任务中贡献度高的脑区可视化
实验室研二学生薛鹏程，在温旭云副教授和张道强教授的指导下，以第一作者身份录用论文《WSSADN: A Weakly Supervised Spherical Age-Disentanglement Network for Detecting Developmental Disorders with Structural MRI》。论文提出了一种名为WSSADN的模型，该模型运用弱监督学习方法，实现了对年龄效应的有效解耦，用于提高发育类疾病的诊断性能。具体地，该论文采用弱监督的年龄信息学习模块，用于学习大脑正常发育过程中的结构改变。与传统的基于监督学习的年龄学习方式不同的是，弱监督的学习方式能够减少对年龄标签精确性的依赖，有效地缓解了模型对年龄学习的过度关注。继而，利用基于空间以及通道注意力的解耦模块，使其能够更加聚焦于捕捉与疾病紧密相关的大脑异常信息，以提高诊断性能。论文在DHCP，CHD，ABIDE三个数据集上评估了WSSADN的方法的性能。实验结果表明，WSSADN带来了显著的精度提升。
图11. WSSADN框架展示
表4. WSSADN与其他方法精度对比
图12. 在预测任务中贡献度高的脑区可视化