日前，中山大學生物醫學工程學院2016級大四本科生郭宜鋒同學，以第一作者身份撰寫的論文被 MICCAI 2020接受。MICCAI是醫學圖像分析領域國際公認的最具影響力的學術會議，本科生以一作身份在國際頂會發表論文十分難得。該論文提出了一個基於生成對抗網絡(GAN)的可應用於連續序列數據的CS-MRI架構。這種架構直觀地模擬了臨床醫生通過上下滾動來仔細檢查3D數據的方式，以充分利用當前同一序列數據2D切片上下的信息，該方法不僅克服了傳統方法重建速度慢的缺點，而且結合了時域和頻域的特點能夠保持較高的重建圖像質量。這是學院本科生第一次以第一作者身份在該領域頂級國際學術會議發表論文，即便在歐美等國際一流高校中也屬難得。
得益於生物醫學工程學院的本科生導師團制度，郭宜鋒同學從2018年開始便積極參與到大學生科研培養項目，並對人工智慧在醫學影像上的應用產生濃厚興趣，從而選擇在張賀曄教授課題組深入研究醫療人工智慧課題。張賀曄教授課題組為有志於從事科研前沿探索的本科生提供了先進的GPU計算平臺和國際化的合作平臺。在此次MICCAI工作中，郭宜鋒同學從2019年暑假開始準備，於2020年三月份完成MICCAI投稿，期間郭宜鋒同學獲得張賀曄教授和英國帝國理工學院楊光教授全程細緻指導，學術科研能力快速提升。郭宜鋒同學本科畢業後選擇在張賀曄教授課題組繼續攻讀碩士學位。此次MICCAI論文工作由中山大學生物醫學工程學院和英國帝國理工學院共同完成，中山大學生物醫學工程學院為第一完成單位，相關研究得到了中山大學科研啟動基金，國家自然科學基金，以及廣東省科技廳研發基金的支持。
MICCAI是由國際醫學圖像計算和計算機輔助幹預協會(Medical Image Computing and Computer Assisted Intervention Society) 舉辦，跨醫學影像計算(MIC)和計算機輔助介入 (CAI) 兩個領域的綜合性學術會議。MICCAI吸引全球超過130所頂級科研高校的研究團隊共同參與，被認為有著非常強的國際影響力和非常高的學術權威性。MICCAI收錄的論文代表了最前沿的圖像計算和計算機輔助領域的前沿技術，是醫學影像分析領域的前沿熱點風向標，引領該領域的未來發展方向。MCCAI 2020將於10月份在秘魯利馬召開。下面簡單介紹論文及實驗結果。
論文
《Deep Attentive Wasserstein Generative Adversarial Networks for MRI Reconstruction with Recurrent Context-Awareness》
摘要
傳統的基於壓縮感知的MRI(CS-MRI)重建容易受其緩慢的迭代過程和噪聲誘導產生的塊狀噪聲影響。雖然現在提出了許多基於深度學習的CSMRI方法來緩解傳統方法的問題，但它們仍然無法在較高的加速因子下獲得更健壯的重建結果。大多數基於深度學習的CS-MRI方法仍然不能完全挖掘出來自k空間的信息，這導致了現在大部分MRI重建方法的結果並不理想。
在本研究中，提出了一種新的基於深度學習的CS-MRI重建方法，通過將Wasserstein生成對抗網絡(WGAN)與遞歸神經網絡相結合以充分利用MRI序列切片之間的關係。對注意力單元的進一步的研究同時使模型能夠為MRI數據重建更精確的解剖結構。通過在不同的MRI數據集上的實驗，證明了本研究提出的方法不僅可以獲得比目前最先進的方法更好的結果，而且可以有效地減少重建過程中產生的殘餘噪聲。本研究設計的模型如下圖所示：
圖1 DAWGAN框架的整體網絡架構。左：模型的工作流程。右：帶有Bi-ConvLSTM的生成器的細節和空間注意塊(SAB)的流程圖。
來源：中山大學 中大學工 中山大學生物醫學工程學院 轉載編輯：楊力峰 初審：鄭夢婕 審核：周昀 審核發布：鍾一彪