新闻公告 > 学术动态

新闻公告

En

汪天富教授团队岳广辉副教授组在医学图像分析领域发表系列研究成果

2025-03-01

学院汪天富教授团队岳广辉副教授组聚焦于人工智能、医学图像分析、计算机辅助诊断相关研究,近日在IEEE TMM、IEEE TCSVT、IEEE TIM等国际顶级杂志上发表系列成果。

结直肠息肉分割

结直肠癌是全球范围内常见的恶性肿瘤之一,发病率和死亡率居高不下,严重威胁人类健康。尽管治疗方法取得了进步,但早期诊断和干预对于降低死亡率仍然至关重要。结直肠息肉通常被视为癌前病变,其检测和切除对于预防癌变至关重要。结肠镜检查是目前筛查息肉的金标准,使临床医生能够在早期发现并切除可疑病灶。结直肠癌的筛查主要依赖于结肠镜检查,医生需手动识别和分割息肉。然而,这一过程不仅依赖医生的经验,容易受主观因素影响,还存在工作量大、漏诊或误诊的风险。因此,开发自动化的息肉辅助分割技术至关重要,有助于提高息肉检测的效率和准确性。

图1 结直肠镜下的息肉样例

如图1所示,由于息肉外观多样,颜色、形态和大小各异,并且部分息肉与周围正常黏膜组织对比度低,甚至呈现类似背景的纹理或颜色,具有一定的伪装特性,使得精准分割算法设计极具挑战。

为了应对息肉外观各异、具有伪装特性以及边界不确定性的挑战,团队提出了一种基于区域到边界渐进式搜索的息肉分割方法——PRBE-Net。


undefined

图2 PRBE-Net的网络框架

如图2所示,PRBE-Net主要包括三个关键模块:区域和边界探索(RBE)模块、区域增强(RE)模块和边界细化解码器(BR decoder)。RBE模块旨在通过尺度差异,从多尺度特征中挖掘互补信息,从而提取出更精细的区域线索和边界线索。RE模块旨在结合局部和全局信息,提高模型对息肉外观和大小各异的识别能力。BR decoder则利用边界线索指导,对特征的边界信息细化,以更好地检测边界区域。通过自上而下的深监督策略,PRBE-Net实现由粗到细的方式逐步细化预测。

上述研究(题为“Progressive Region-to-Boundary Exploration Network for Camouflaged Object Detection ”)发表在顶级期刊IEEE Transactions on Multimedia(TOP期刊, 中科院一区,IF=8.4)上。团队青年教师岳广辉副教授担任第一作者,研究生吴尚杰为第二作者。

原文链接:https://ieeexplore.ieee.org/document/10814101


基于边界引导以及特征对齐得到结直肠息肉分割网络


尽管现有方法在息肉分割任务中取得了良好的性能,但在处理编码器提取的多层特征时,通常采用直接连接或级联方式,而忽略了不同尺度特征之间可能存在的空间错位。此外,尽管现有方法能够有效提取边界线索,但在边界信息的充分利用方面仍有提升空间。为解决多层特征的空间错位问题并进一步增强边界信息的利用,团队提出了一种基于边界引导以及特征对齐的息肉分割方法——BFNet。

图3 BFNet的网络框架

如图3所示,BFNet主要包括两个关键模块:灵活特征聚合(FFA)模块和边界引导特征增强(BFE)模块。FFA 模块自适应地对齐并融合高层与低层特征,以实现初步的息肉定位。随后,BFE 模块在提取到边界线索的帮助下通过注意力机制进一步优化边界定位。通过FFA和BFE模块的相互协作,BFNet能够准确的分割息肉。

上述研究(题为“Boundary-Guided Feature-Aligned Network for Colorectal Polyp Segmentation ”)发表在顶级期刊IEEE Transactions on Circuits and Systems for Video Technology(TOP期刊, 中科院一区,IF=8.3)上。团队青年教师岳广辉副教授担任第一作者,研究生吴尚杰为第二作者。


原文链接:https://ieeexplore.ieee.org/document/10891495


医学图像分类

随着计算机技术的迅猛发展,联邦学习(FL)作为一种新兴的分布式机器学习方法被引入医学图像分类任务中,允许不同机构在不共享本地数据的情况下协作训练模型,从而有效保护数据隐私并解决数据孤岛问题。然而,传统FL方法在数据分布极不均匀时表现不佳,并且无法充分满足各医疗机构的个性化需求。为克服这一局限,个性化联邦学习(PFL)应运而生,旨在为每个参与者构建独立的本地模型,而非单一的全局模型,以更好地适应各自的需求和数据特性。然而,现有PFL策略未能充分有效地分离和利用通用信息与个性化信息,且对类间相似性大的挑战应对不足,限制了其在实际应用中的效果。

图4 FedPDN的网络框架


团队提出了一种新的个性化联邦学习方法——FedPDN,如图4所示。
该方法的核心步骤包括:
统一初始化K个客户端的本地模型,确保模型初始状态一致;
每个客户端在本地私有数据集上独立训练模型,并引入类间相似度约束损失函数,提升分类准确性;
客户端采用解耦本地模型策略(DLMS),将本地模型分为通用组件(UC)和个性化组件(PC),其中UC包含与医学图像分类相关的通用信息,PC则包括适应于特定数据集的个性化信息;
客户端仅上传UC至服务器进行聚合,生成更新后的通用组件UCt,并将其返回至各客户端;
客户端将UCt与其本地PC结合,形成新的个性化本地模型,准备进入下一轮训练。该方法通过促进医疗中心间通用信息的有效共享,同时保留各中心的个性化信息,提升了模型的适应性和隐私安全性。

上述研究(题为“FedPDN: Personalized Federated Learning With Interclass Similarity Constraint for Medical Image Classification Through Parameter Decoupling ”)发表在顶级期刊IEEE Transactions on Instrumentation and Measurement(TOP期刊, 中科院二区,IF=5.6)上。团队研究生魏佩珊担任第一作者,青年教师岳广辉副教授为通讯作者。


原文链接:https://ieeexplore.ieee.org/document/10891495


以上研究依托于广东省生物医学信息检测与超声成像重点实验室和医学超声关键技术国家地方联合工程实验室开展,并得到了国家自然科学基金、广东省自然科学基金、深圳市自然科学基金等项目的资助。