2021年，中国科大苏州高等研究院周少华教授团队在医学影像分析领域的不同创新方向都取得重要进展，针对一系列计算机+影像学应用中的痛点问题，如跨模态配准、低剂量CT稀疏视图重建、部分标注数据集知识融合、新冠肺炎无监督分割等，提出创新算法，相关研究成果均发表在医学影像分析的顶级期刊上。牵手世界闻名的医学影像分析学者，共同撰写最新综述文章，发表在Proceedings of IEEE，介绍深度学习在医学影像分析邻域的研究进展。在骨科影像领域首次发布大规模骨盆分割（CTPelvic1K）和脊柱分割（CTSpine1K）数据集，对社区发展起到了极大的促进和引领作用。
· 开源工作：
1 CTPelvic1K骨盆分割数据集（https://github.com/ICT-MIRACLE-lab/CTPelvic1K）
第一个开源的大规模骨盆解剖结构分割数据集，包含1184例3D CT骨盆数据、分割标签及基线模型。合作单位：积水潭医院。
2 CTSpine1K脊柱分割数据集（https://github.com/ICT-MIRACLE-lab/CTSpine1K）
第一个开源的大规模脊柱分割数据集，包含1005例3D CT脊柱数据、24块锥体分割标签及基线模型。合作单位：积水潭医院。
· 论文发表：
1深度学习已广泛用于各种医学成像任务，并在许多医学成像应用中取得了显著成功，从而将我们带入了所谓的人工智能（AI）时代。众所周知，人工智能的成功主要归功于具有单个任务注释的大数据的可用性以及高性能计算的进步。但是，医学成像提出了深度学习方法面临的独特挑战。在本篇综述文章中，我们首先介绍医学成像的特征，强调医学成像的临床需求和技术挑战，并描述深度学习的新兴趋势如何解决这些问题。我们涵盖了网络结构，稀疏和有噪标签，联邦学习，可解释性，不确定性量化等主题。然后，我们介绍了一些在临床实践中常见的案例研究，包括数字病理学以及胸部，大脑，心血管和腹部成像。我们没有介绍详尽的文献调查，而是描述了与这些案例研究应用相关的一些突出的研究重点。最后，我们讨论并提出了有希望的未来方向。
文章：S. Kevin Zhou, H. Greenspan, C. Davatzikos, J.S. Duncan, B. van Ginneken, A. Madabhushi, J.L. Prince, D. Rueckert, and R.M. Summers, “A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises,” Proceedings of the IEEE, 2021.
链接：https://ieeexplore.ieee.org/document/9363915
2 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，可以显著改善治疗效果。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。该工作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，将分割器整合到解剖学指导的多模式配准中。
文章：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.
链接：https://www.sciencedirect.com/science/article/abs/pii/S1361841521000876
3 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。在这项工作（CasRedSCAN）中，作者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。作者在AAPM Low Dose CT Grand Challenge和Deep Lesion两个数据集上进行验证，表明该方法可以提升多种病变类型影像的重建结果。
文章：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.
链接：https://ieeexplore.ieee.org/document/9380210
4 在医学图像中同时标注多个器官既昂贵又费时，因此，现有的带有标签的多器官标注数据集的样本量通常很少，大多仅包含部分器官的标注。该工作提出（i）marginal loss和（ii）exclusion loss实现联合多个部分标注数据集来学习一个多器官分割单模型网络。Marginal loss解决了不同部分标注数据集之间knowledge conflict问题，使得不同部分标注数据集融合成为可能。Exclusion loss引入器官不重叠的先验知识对无标签器官进行监督，有效降低了错误预测。在肝脏、脾脏、左右肾脏和胰腺的多器官分割中对五个基准数据集的联合实验表明，使用该文章新提出的损失函数可以为最新方法带来显着的性能改善，而无需引入任何额外的计算。
文章：G. Shi, L. Xiao, Y. Chen, and S. Kevin Zhou, “Marginal loss and exclusion loss for partially supervised multi-organ segmentation,” Medical Image Analysis, 2021.
链接：https://www.sciencedirect.com/science/article/abs/pii/S1361841521000256
5 新冠肺炎CT病灶分割非常依赖于数据的标注，然而标注数据会消耗过多的人力物力，从而阻碍新冠病灶自动分割算法的应用。为了减轻数据注释的负担，作者提出一种通过像素级异常检测模型，该模型从正常的CT肺部扫描中挖掘了相关的知识，从而准确将新冠肺炎当作异常从而进行分割。本文的灵感来自于一个事实：相比多样的病灶，胸腔中健康的组织（比如血管和器官）有着固定有规律的特征，而且容易找到大量的数据。为了促进在像素级别上学习到此类特征，该方法使用一系列非常简单的操作来合成丰富的“病灶”，并将合成的“病变”插入正常的CT肺部扫描以形成训练对。丰富的病灶可以让网络准确理解并分割健康的组织，从而得到一个分割正常组织的网络（NormNet）。该方法在三个不同的数据集上进行的实验验证NormNet的有效性，性能明显优于各种无监督的异常检测方法。
论文：Q. Yao, L. Xiao, P. Liu, and S. Kevin Zhou, “Label-free segmentation of COVID-19 lesions in lung CT,” IEEE Trans. on Medical Imaging, 2021
链接：https://europepmc.org/article/ppr/ppr271209
周少华教授（https://sz.ustc.edu.cn/2021/0524/c26468a507498/page.htm）牵头的MIRACLE团队聚焦医疗影像设备、医疗机器人和医疗影像分析计算等学科方向，开展前沿性、基础性、原创性和应用型研究，发表高质量学术论文。与国内外知名医院、医疗企业和研究机构建立广泛合作，以促成前沿技术落地为核心，发展“产、学、研”相结合的合作模式。探索新型人才培养模式，构建充足和互补的人才梯队，培育具有广阔国际视野的优秀专业技术人才。周少华教授也是中国科学院计算技术研究所客座研究员。
更多MIRACLE团队资源请访问：http://miracle.ict.ac.cn/
