中国科大苏州高等研究院周少华教授团队，2021年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 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
本文介绍了医学成像的特征，强调了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。文章涵盖了网络结构，稀疏和有噪标签，联邦学习，可解释性，不确定性量化等主题，以及未来的研究方向。还包含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。
2 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
本文提出了一种多模态图像配准方法。将术前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，显著改善治疗效果。
3 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
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网络，实现了有限视图断层摄影的重建，可以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。
4 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
该工作提出（i）marginal loss和（ii）exclusion loss实现了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。有效提升了训练数据规模，带来显着的性能改善，而无需引入任何额外的计算。
5 文章：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
本文提出一种像素级异常检测模型，通过合成“病变”插入大量的正常肺部CT数据对比挖掘正常组织相关知识，从而准确将新冠肺炎当作异常进行分割。
周少华教授（https://suzhou.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/
