近期，实验室有一篇文章被IEEE TMI接收。IEEE TMI的全称是IEEE Transactions on Medical Imaging，是医学图像处理方向的顶级期刊，2019年SCI影响因子为7.816。
DeepACEv2: Automated Chromosome Enumeration in Metaphase Cell Images Using Deep Convolutional Neural Networks (Li Xiao, Chunlong Luo, Tianqi Yu, Yufan Luo, Manqing Wang, Fuhai Yu, Yinhao Li, Chan Tian, Jie Qiao)
该研究与北京大学第三医院生殖医学中心乔杰院士团队合作完成。团队肖立副研究员和北医三院生殖医学中心田婵研究员作为青年骨干分别负责完成了算法设计开发和数据采集标注。
染色体计数是核型分析中一个重要但繁琐的过程。为了实现自动化计数过程，我们开发了一个基于区域搜索的目标检测方案的染色体计数框架DeepACEv2。该框架分三步进行。首先，我们以经典的ResNet-101为骨干网络，将特征金字塔网络（FPN）连接到骨干网络上。FPN充分利用了多层次特征，我们只输出大部分染色体所属的层次特征图。其次，我们通过增加一个新的困难负例anchors采样的方式来提高区域提案网络的能力，以提取一些不明显但高度易混淆的部分染色体信息。接下来，针对严重的遮挡问题，除了传统的检测分支外，我们还创新性地设计了一个分离的模版模块分支，利用染色体的几何信息给每个候选区域一个特别的嵌入值。为了提高重叠染色体的检测效率，我们进一步将嵌入值加到非最大抑制（NMS）过程中。最后，我们设计了一个截断的归一化排斥损失，并将其加入到最终损失函数中，以避免遮挡造成的定位不准确问题。我们收集到1375张来自临床实验室的中期图像中，通过系列的消融研究验证了每个设计方案的有效性。将它们结合起来后，DeepACEv2超越了之前的所有方法，得到的图像全对率（WCR）（%）为71.39，相对于染色体的平均错误率（AER）（%）为1.17。
