MIRACLE组2020年第三季度季报

新闻动态：

论文发表：

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)

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。

人才荟萃：

欢迎以下新成员加入研究组：郝优（工程师）、王册（助理工程师）、惠源（助理工程师）、李钱（助理工程师）、邓阳（助理工程师）、杜沅岂（客座学生）。
郝优工程师，中科院计算所博士。主要从事计算机视觉，医学图像处理等领域相关研究工作。
    王册博士后，吉林大学唐敖庆基础学科拔尖班应用数学方向本科，南开大学应用数学系博士。
    邓阳助理工程师，北京科技大学热能与动力工程专业本科，清华大学生物医学工程专业硕士。美国德州大学休斯顿健康科学中心访问学者。
    惠源助理工程师，四川大学机械设计制造及其自动化专业本科，英国伦敦国王学院电子工程及管理系硕士，伦敦国王学院机器人实验室研究助理。
    李钱助理工程师，郑州大学生物医学工程专业本科，北京航空航天大学生物医学工程专业硕士。

文章选读：

李柳

[1] “Attention Based Glaucoma Detection: A Large-scale Database and CNN Model”

in Conference on Computer Vision and Pattern Recognition (CVPR), 2019.

[2] “A Large-scale Database and a CNN Model for Attention-based Glaucoma Detection”

in IEEE Transactions on Medical Image, 2019.

[3] “Establishing a Generalized Deep Learning System for Detection of Glaucomatous

Optic Neuropathy using Fundus Photographs” in JAMA Ophthalmology, 2019.

[4] “DeepGF: Glaucoma Forecast Using the Sequential Fundus Images”, in MICCAI 2020.

朱玖闻：

[1] ChenchuXu, Joanne Howey, Pavlo Ohorodnyk, Mike Roth, HeyeZhang, ShuoLi: Segmentation and quantification of infarction without contrast agents via spatiotemporal generative adversarial learning. MedIA, 2020.

全权：
[1] Arrieta, A.B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S., Gil-López, S., Molina, D., Benjamins, R. and Chatila, R., 2020. Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, pp.82-115.

[2]Tjoa, E. and Guan, C., 2019. A survey on explainable artificial intelligence (XAI): towards medical XAI. arXiv preprint arXiv:1907.07374.

[3] Matthew D. Zeiler and Rob Fergus. Visualizing and understanding convolutional networks. CoRR, abs/1311.2901, 2013.

[4] Wan, A., Dunlap, L., Ho, D., Yin, J., Lee, S., Jin, H., Petryk, S., Bargal, S.A. and Gonzalez, J.E., 2020. NBDT: Neural-Backed Decision Trees. arXiv preprint arXiv:2004.00221.

[5]Zhang, Z., Chen, P., McGough, M., Xing, F., Wang, C., Bui, M., Xie, Y., Sapkota, M., Cui, L., Dhillon, J. and Ahmad, N., 2019. Pathologist-level interpretable whole-slide cancer diagnosis with deep learning. Nature Machine Intelligence, 1(5), pp.236-245.

[6] Zhang, Z., Xie, Y., Xing, F., McGough, M. and Yang, L., 2017. Mdnet: A semantically and visually interpretable medical image diagnosis network. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 6428-6436).

林杨：

[1] Virtual PET Images from CT Data Using Deep Convolutional Networks: Initial Results. (SASHIMI),2017.

[2] Cross-Modality Synthesis from CT to PET using FCN and GAN Networksfor Improved Automated Lesion Detection. (Engineering Applications of Artificial Intelligence),2018.

[3] Towards Learning a Self-inverse Network for Bidirectional Image-to-image Translation.2019.

李寅昊：

[1]” Synthesize then Compare Detecting Failures and Anomalies for Semantic Segmentation” in European Conference on Computer Vision (ECCV), 2020.