TMI (IEEE Transactions on Medical Imaging, IF: 6.685)和MIA (Medical Image Analysis, IF: 11.148)均为医学影像分析领域的顶级期刊。
1 B. Zhou, Z. Augenfeld, J. Chapiro, S. Kevin Zhou, C. Liu, and J.S. Duncan, “Anatomy-guided multimodal registration by learning segmentation without ground truth: Application to intraprocedural CBCT/MR liver segmentation and registration”, Medical Image Analysis, 2021.
摘要：多模态图像配准在诊断医学成像和图像引导干预中有许多应用，例如在术中CBCT和术前MR引导下的肝癌经导管动脉化疗栓塞（TACE）。将术中获取的诊断图像配准到术中物理环境的能力可以潜在地改善术中肿瘤定位，这将显着改善治疗效果。但是，由于缺乏针对Hounsfield单元的信号校准，以及有限的视角和运动/金属伪像，术内CBCT经常会出现图像质量欠佳的情况。这些不理想的条件使得常规的基于像素值的多模态配准方法无法在各种模态之间生成正确的转换。尽管基于解剖结构（例如分割或关键点）的配准提供了一种有效的替代方法，但此类解剖结构信息并非总是可以获取的。可以训练一种基于深度学习的解剖结构提取器，但是它需要对特定模态进行大规模的手动标注，而获取这些标注通常非常耗时，并且需要专业的放射学专家。为了解决这些问题，我们利用了源模态中已经存在的带标注的数据集，并提出了一种保留解剖结构的域适应分割网络（APA2Seg-Net），用于在没有目标模态金标准的情况下学习分割。然后，基于鲁棒的点匹配机器，将分割器整合到我们的解剖学指导的多模式配准中。我们在内部TACE患者数据的实验结果表明，我们的APA2Seg-Net可以生成鲁棒的CBCT和MR肝脏分割，并且使用这些分割器进行的解剖学指导的配准框架可以提供高质量的多模态配准。
Link: https://www.sciencedirect.com/science/article/abs/pii/S1361841521000876
2 B. Zhou, S. Kevin Zhou, J.S. Duncan, and C. Liu, “Limited view tomographic reconstruction using a cascaded residual dense spatial-channel attention network with projection data fidelity layer”, IEEE Trans. on Medical Imaging, 2021.
摘要：有限视图断层摄影重建的目的是从稀疏视图或减少辐射剂量或缩短扫描时间的有限角度采集产生的有限数量的投影视图中重建断层摄影图像。然而，由于正弦图的不完整性，这种重建遭受严重的伪影影响。为了获得提升重建质量，以前的方法使用类似UNet的神经体系结构来从有限的视图数据直接预测完整视图的重建。但是这些方法在很大程度上保留了深层网络体系结构问题，并且不能保证重建图像的正弦图和获取的正弦图之间的一致性，导致重建不理想。在这项工作中，我们提出了一个由残差密集的空间通道注意力网络和投影数据保真网络层组成的级联残差密集连接的空间通道注意力网络。我们在两个数据集上评估我们的方法。我们在AAPM Low Dose CT Grand Challenge数据集上的实验结果表明，与现有的神经网络方法相比，我们的算法在有限角度重建和稀疏视图重建上均取得了一致且实质性的改进。此外，我们在Deep Lesion数据集上的实验结果表明，我们的方法能够针对8种主要病变类型生成高质量的重建结果。
Link: https://ieeexplore.ieee.org/document/9380210
3 X. Wei, Z. Yang, X. Zhang, G. Liao, A. Sheng, S. Kevin Zhou, Y. Wu, L. Du, “Deep collocative learning for immunofixation electrophoresis image analysis,” IEEE Trans. on Medical Imaging, 2021.
摘要：免疫固定电泳（IFE）分析对多发性骨髓瘤的诊断非常重要，多发性骨髓瘤是美国排名前9的癌症杀手之一，但在深度学习中很少对其进行研究。两个可能的原因是：1）IFE模式的识别取决于形成二元关系的频段的共处位置，这与深度学习擅长建模的一元关系（视觉特征和标注）不同； 2）深度分类模型对于IFE识别可能具有很高的准确度，但不能为其预测提供可靠的证据（同一位置模式在哪里），从而使技术人员难以验证结果。我们建议通过搭配学习来解决这些问题，在该学习中，已经构造了搭配张量以将二进制关系转换为与常规深度网络兼容的一元关系，并且为了证据的回溯，利用了Grad-CAM显著性图来实现无位置标签的方法实现了精确定位。此外，我们提出了“Coached Attention Gates”，可以调节学习的推理，使其与人的逻辑更为一致，从而支持证据回溯。实验结果表明，该方法在IoU上比其基本模型ResNet18的性能提高了741.30％，并且优于DenseNet，CBAM和Inception-v3这些流行深度网络。
