我院健康信息智能计算团队多篇论文被医学影像分析顶级会议MICCAI 2023接受

我院健康信息智能计算团队以心脑疾病诊断的临床需求为导向，运用人工智能方法实现不同的疾病诊断技术。团队研究方向主要包括心脏影像分析与建模、脑疾病信号分析与诊疗和医学成像，并在近期研究中取得了一系列的突破：在心脏影像分析与建模方面，提出了基于冠脉造影图像的血流储备分数智能计算方法；在脑疾病信号分析与诊疗方面，提出了用于阿尔兹海默早期诊断的个体和共有异步功能脑网络；在医学成像方面，提出了 基于小波变换的多层次迭代自适应CT金属伪影去除方法和基于全图像指数剩余的DR/CT自监督去噪声方法。上述研究被医学影像分析顶级会议MICCAI 2023接受。

 

 

1. 基于冠脉造影图像的血流储备分数计算

评估血流储备分数（FFR）对于诊断冠状动脉疾病（CAD）和确定需要进行血运重建的患者和病变具有重要意义。然而，FFR的临床应用受到诸多限制，如操纵压力线深入冠脉血管带来的手术风险和评估多条血管的额外时间花销。相比传统的计算流体力学技术，深度学习（DL）方法实现了更高的计算效率，但现有的DL方法缺乏适当的先验，使其无法理解FFR背后复杂的物理过程，影响了方法的性能。

我院健康信息智能计算团队联合英国帝国理工学院、香港中文大学和安徽大学，提出了一种条件物理信息图神经网络，用于在血管形态和生理边界条件约束下的FFR评估。 该方法将血管形态和生理边界条件作为先验来学习条件特征，并通过惩罚物理方程的残差和边界条件的损失函数来优化网络。具体的，该方法用多尺度图融合模块生成受冠状动脉拓扑结构约束的条件特征，以及采用有限差分法计算物理信息损失中物理方程的残差。本方法的模型结构如图1所示。

图1. (a) 条件物理信息图神经网络，(b) 多尺度图融合模块，(c) 物理信息损失。

 

  本方法在两个临床数据集上（CT和X-ray ）开展了实验。相比于其它DL方法，本方法极大提高了性能。部分实验结果如图2所示。

 

图2. 与几种DL方法的比较结果。前三行是正常的血管，后三行是存在冠脉狭窄的血管。最后一列是主血管段上各方法预测的压力曲线。LAD，左前降支；LCX，左回旋支；RCA，右冠动脉。

 

相关研究成果被国际顶级学术会议International Conference on Medical Image Computing and Computer Assisted Intervention, MICCAI 2023接受。论文题目：Conditional Physics-Informed Graph Neural Network For Fractional Flow Reserve Assessment。我院健康信息智能计算团队博士生谢佰洪为第一作者，高智凡副教授为通讯作者。中山大学生物医学工程学院为第一单位。

 

 

2. 用于阿尔兹海默早期诊断的个体和共有异步功能脑网络

功能核磁共振影像（fMRI）检测脑部活动和功能的异常变化，可帮助医生早期发现阿尔茨海默病（AD）的迹象，促进患者的早期轻度认知障碍阶段的干预和治疗。深度学习算法的强大的模式识别和特征提取能力有益于从fMRI数据中提取复杂的脑功能模式和特征，助力于疾病诊断。但fMRI中不可预测的噪声和伪影干扰使得用传统方法在个体水平上构建的FBN具有较大的变异性，导致诊断的不稳定性。其次，当前研究方法侧重于脑功能活动单一的时空模式，导致影像学特征分析不充分，诊断性能难以达到最优。

我院健康信息智能计算团队提出了具有异步响应的共性与个性功能脑网络（FBN）的阿尔茨海默病诊断方法。该方法在Transformer框架内自适应学习共性与个性FBN。共享的FBN作为先验知识，规范化FBN的构建，减小变异性，并使网络专注于这些疾病特异性的个体功能连接。为了更好地捕捉功能响应的时空模式，将fMRI信号分为较短的片段，以便建模脑区之间的动态功能连接与异步功能连接。与传统方法相比，这种方法在FBN的构建和分析过程是以深度学习端到端任务驱动的，实现了特征提取与诊断目标更好的协调和联合对齐，从而提高了诊断模型的灵活性。方法的模型如图3所示。

图3. （a） 本方法模型示意图；（b）滑动窗口划分信号为短时片段；（c）改进的注意力模块；（d）具有同步与异步功能连接的FBN；（e）短时片段复原。

 

本方法在两个广泛使用的数据集（ADNI2、ADNI3）上进行了测试，相较于其它经典方法，该模型均实现了最高的分类准确度，表明了提出方法的优越性。该模型从复杂的fMRI信号中学习到与疾病相关的信息，这些异常改变可以更好地理解AD的病理机制，并为疾病的诊断提供重要线索。

相关研究成果已被国际学术会议26th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 接受。论文题目: Learning Asynchronous Common and Individual Functional Brain Network for AD Diagnosis。 我院健康信息智能计算团队张俭嘉副教授为第一作者，伍伟文副教授为通讯作者，中山大学生物医学工程学院为第一单位。

 

 

3. CT金属伪影去除

人体内的金属植入物由于对射线具有高吸收率，会导致金属伪影的出现，从而降低图像的质量并对医生的临床诊断产生严重影响。

我院健康信息智能计算团队提出了一种基于小波变换的多层次迭代自适应金属伪影去除方法，从受金属伪影影响严重的低质量CT图片中恢复出高质量图片。研究发现，金属伪影在不同频段表现出不同的特征，并主要集中于高频。基于此发现，该方法利用小波变换挖掘金属伪影在不同频率分量上的深层次特征，并提出了迭代优化算法，最后根据优化算法构建了自适应迭代网络，以增强深度学习网络的可解释性，有效去除图像中的金属伪影。方法的模型结构如图4所示。

图4（a）本方法整体网络结构，（b）子网络流程图，（c）网络细节结构。

本方法在两个数据集（仿真金属伪影数据集Deeplesion、临床数据集CLINIC-metal）开展了实验。相比于其他金属伪影去除方法，本方法极大提高了金属伪影去除效果。部分实验结果如图5所示。

图5：与几种金属伪影去除方法的临床数据集对比结果。

 

相关研究成果已被国际学术会议26th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 接受。论文题目：Multi-resolution Adaptive Iteration Network for Metal Artifact Reduction。我院健康信息智能计算团队张俭嘉副教授为第一作者，伍伟文副教授为通讯作者，中山大学生物医学工程学院为第一单位。

 

 

4. DR/CT自监督去噪声

在实际应用中，单张DR/CT去噪是一个具有挑战性的问题。首先，临床DR/CT图像只能获得单一的噪声图像。其次，DR和CT图像的像素值范围广，包含大量的图像细节。特别是DR和CT是灰度图像，像素值对比度较低，由于采样不当，难以建模。

我院健康信息智能计算团队联合上海一影医疗科技有限公司，提出了一种基于全图像指数剩余的自监督技术(FIRE)，用于单次低剂量DR/CT去噪。具体来说，提出的FIRE方法首先利用图像索引余数技术将整个高维图像空间划分为一系列低维子图像空间。在这里，基于完整图像索引的剩余部分，设计了一个特定的图像采样器来对图像进行采样。此外，提出了一种新的损失函数来训练无监督图像去噪网络。为了进一步优化可行域，方法还引入正则化策略，通过减小自监督去噪网络与监督去噪网络之间的差距来限制子空间图像的训练。本方法的模型结构如图6所示。

图6. (a) 本方法流程图，(b)采样器模块。

 

本方法分别在临床脑部CT数据集、临床DR数据集、和公开CT数据集上开展了实验。相比于其它方法，本方法极大提高了有效性。部分实验结果如图7所示。

图7：临床脑部CT数据集上与其他方法的比较结果。

 

相关研究成果被国际学术会议26th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 接受。论文题目：Full Image-index Remainder based Single Low-dose DR/CT Self-supervised Denoising。我院健康信息智能计算团队张俭嘉副教授和伍伟文副教授为共同通讯作者，中山大学生物医学工程学院为第一单位。