近日，我校医学部生物医学工程学院倪东教授团队，联合上海交通大学医学院附属瑞金医院，在国际医学图像分析领域的顶级期刊Computers in Biology and Medicine（影响因子7.7，中科院二区）上，发表了一篇题为”An efficient framework for lesion segmentation in ultrasound images using global adversarial learning and region-invariant loss” 的高质量论文。我院倪东教授和上海交通大学医学院附属瑞金医院超声科周建桥主任为共同通讯作者，生物医学工程学院博士生Manh The Van为第一作者，深圳大学为第一署名单位。

        本研究的方法框架如图 1 所示。病变特征的指导对于超声图像中结节的分割的可靠性是必要的，分割主干不仅使用结节的二进制掩模进行训练，还使用了额外的全局头来预测的全局图。此外，更好地从全局图中探索更多病变的特征信息，采用对抗性训练来帮助模型。本研究提出了一种基于 Vision Transformers 的判别器，而不是使用基于 CNN 的判别器，它可以有效地学习全局图区域之间的全局依赖关系。在二元头上，还设计了一种新颖的区域不变损失，使模型关注不同病变的相同特征。在测试阶段，仅使用二进制头进行预测，保持精简与预测速度。在两个公共数据集和一个内部数据集上验证了我们提出的方法，在超声病变分割方面实现了最先进的性能。

图1  我们提出的框架的示意图

        为了改进超声图像中的病变分割，我们提出了一种全局对抗机制来学习有关病变特征的全局信息和区域不变损失以关注不同类型病变中不变的特征。

        研究成果链接：https://doi.org/10.1016/j.compbiomed.2024.108137