医学影像领域顶级期刊和会议

医学影像领域的顶级期刊

IEEE Transactions on Medical Imaging（IEEE-TMI）

Structure-preserving Guided Retinal Image Filtering and Its Application for Optic Disc Analysis,  IEEE Transactions on Medical Image (TMI), 2018, in press

青光眼的自动筛查诊断非常依赖于视网膜图像中的视盘和视杯（optic disc/optic cup）的提取，临床证明可以通过杯盘比（CDR）来诊断是否患有青光眼疾病。由于受到成像设备以及眼睛内部疾病（白内障等）的影响，视网膜图像常出现模糊现象

Joint Optic Disc and Cup Segmentation Based on Multi-label Deep Network and Polar Transformation, IEEE Transactions on Medical Imaging (TMI), 2018.

http://hzfu.github.io/proj_glaucoma_fundus.html

一种基于深度学习的视网膜图像视盘与视杯区域提取算法。该方法基于U型深度学习图像分割框架，增加了多尺度输入、多标签输出等模块，适用于多类别区域分割任务。在多个青光眼监测数据库上，该算法获得了当前最佳性能

Disc-aware Ensemble Network for Glaucoma Screening from Fundus Image, IEEE Transactions on Medical Image (TMI), 2018, in press

由于杯盘比测量方法严重依赖图像分割的准确度，并且无法深度挖掘眼底图像的视觉特征信息。为此，我们又引入深度学习技术来获取额外的图像关联信息，以此来从眼底图像本身直接实现青光眼疾病的筛查。他们提出了一种新型的基于视盘区域特征的集成深度网络（Disc-aware Ensemble Network, DENet）。在不同尺度、不同模态下，整合全局眼底图像与视盘区域图像相关信息，通过多个子网络从不同角度挖掘多层次视觉特征表达，再将多个子网络进行集成，生成最终的青光眼筛查结果。在两个青光眼数据库（SCES和SINDI数据库）上均取得了理想结果，实验结果领先于已有算法

Uniqueness-Driven Saliency Analysis for Automated Abnormalities Detection with Application to Retinal Diseases, MICCAI, 2018

提出了一种基于显著性分析的视网膜疾病的病灶检测方法。在眼底视网膜图像中，临床医生往往对血管、黄斑、视盘及病灶区域感兴趣，这些区域也符合了计算机视觉中对显著性分析的定义：形状、纹路、颜色跟其周围区域差异很大，因此在视网膜图像中，血管、黄斑、视盘及病灶区域也可以称之为显著性区域。赵一天副研究员结合了超像素算法分割，对超像素的紧凑性和唯一性进行特征计算，将血管、黄斑、视盘及病灶区域从视网膜图像中提取出来。并通过已有的血管、黄斑、视盘分割方法对它们进行去除，成功地获得了精准的病灶区域。此方法用在国际上公开的7个独立视网膜图像数据库中，利用单一的模型，对4种病灶进行提取，显著地体现了算法的遍历性优势，得到的评估结果与已有方法比较具有较大的提高

Automatic 2-D/3-D Vessel Enhancement in Multiple Modality Images Using a Weighted Symmetry Filter, IEEE Transactions on Medical Imaging, 2018, 37(2):438–450.

目前医学图像中的血管自动提取存在的问题和挑战，提出了一种基于对称滤波器的血管增强方法，对血管区域进行增强显示并做自动分割，以解决现有血管检测方法因对比度低和特征匹配不准确而导致的血管连通性低的问题，从而提高了细小血管的识别率。该方法能够应用于包括眼底彩照、眼底造影成像（FA）、核磁共振（MRA）、CT造影（CTA）等在内的多维度多模态医疗图像。它突破了医疗图像领域内对血管提取不准确、图像模态遍历性差等问题，在视网膜图像和MRA脑血管图像中均取得了很好的效果。

Retinal Artery and Vein Classification via Dominant Sets Clustering-based Vascular Topology Estimation, MICCAI, 2018

医学研究表明，全身性疾病与视网膜血管畸变有着密切的关系，因此视网膜血管结构分析与动、静脉的自动分类对于疾病检测有着重要的研究意义。图像采集过程中的光照、移动、噪声等因素导致血管的结构分析以及动静脉自动分类十分困难，因此赵一天博士提出了一种基于血管网络拓扑结构的动静脉自动分类算法。该算法首次将Dominant Set Clustering这种数据聚类方法应用于动静脉分类，对原始数据进行了大幅度的降维操作。充分利用血管的连续性，在复杂血管网络中建立拓扑结构提取子血管树，并结合Dominant Set与投票机制实现子血管树分类。实验表明，所提出的算法在三个公开数据库（INSPIRE，DRIVE，VICAVR）中分别达到了91.0%，91.2%，91.0%的准确率。此外，分别标注了三个数据库（INSPIRE，IOSTAR，VICAVR）的拓扑结构金标准，不久将会公开供其他研究人员使用。

顶级会议

MICCAI（全称Medical Image Computing and Computer-Assisted Intervention)