论坛报告题目及摘要

摘要：超声成像因其无创、无电离辐射、经济便携等优点，已经成为了应用最广泛的医学成像技术之一。近年来，基于超声技术的新型成像模式的提出与发展为医学诊断过程提供了更加深入丰富的辅助信息，同时对超声系统提出了更高成像帧频的要求。传统超声成像系统的聚焦波成像方式已经无法满足新型模式的高帧频需求。非聚焦波(平面波和凸面波)成像方式能够达到超高成像帧频。然而，受限于超声脉冲的非聚焦特性，平面波/凸面波成像难以获得高质量成像，通常需要结合相干复合重建方法提高成像质量。由于高质量的复合重建依赖多次多角度的成像过程，因此在应用中需要在成像帧频与质量之间进行取舍。本课题将脉冲回波超声成像理论与基于深度学习的图像重建方法相结合，研究高质量的超高帧频超声成像方法。

Abstract:The interpretability and generalizability remains great challenges in learning-based medical image segmentation. To address these challenges, we propose an interpretable Bayesian framework (BayeSeg) through Bayesian modeling of image and label statistics to enhance model generalizability for medical image segmentation. Specifically, we first decompose an image into a spatial-correlated variable and a spatial-variant variable, assigning hierarchical Bayesian priors to explicitly force them to model the domain-stable shape and domain-specific appearance information respectively. Then, we model the segmentation as a locally smooth variable only related to the shape. Finally, we develop a variational Bayesian framework to infer the posterior distributions of these explainable variables. Quantitative and qualitative experimental results on prostate segmentation and cardiac segmentation tasks have shown the effectiveness of BayeSeg.

摘要：喉癌的肿瘤分级和可解释性是临床诊断中一项关键而具有挑战性的任务，主要原因是常用的低倍率病理图像缺乏精细的细胞结构信息和准确的定位，病理学家的诊断结果与基于注意力机制的卷积网络有所差异，及基于梯度权重的特征类激活图优化不足。为了解决这些问题，本文提出了一个端到端的深度域自适应网络（DDANet），该网络包括集成梯度CAM和先验经验引导的注意力机制，通过将病理学家在高倍镜下的先验经验引入深度模型来提高肿瘤分级的性能和可解释性。具体来说，本文开发了一种新的先验经验引导的注意力（PE-GA）方法来解决传统的无监督注意力优化问题。此外，还提出了一种新的集成梯度CAM，以缓解PE-GA方法生成的Grad-CAM图的过拟合、信息冗余和低稀疏性。此外，本文建立了一套用于模型视觉解释的定量评价指标体系。大量的实验结果表明，本文分级模型的平均分级精度达到88.43%（比SOTA模型提升4.04%），有效解释率提高到52.73%（比SOTA提升11.45%）。总的来说，本文方法的可视化图与病理学家关注的区域更吻合，且在分级性能上优于不同经验层次的病理学家，且有效地减少了基于计算机视觉的分级模型和病理专家在诊断结果上的差异。