Blank1

点状白质病变是一种典型的早产儿脑白质损伤，可能导致精神运动发育迟缓、运动迟缓和脑瘫等严重的神经发育障碍。准确分割点状白质病变对临床及时诊断和治疗至关重要。而这种病变体积较小、图像对比度低，且受试者间的病变数量以及损伤程度差异大，都为婴儿脑MR图像自动分割点状白质病变带来了多方面的挑战。


我们针对这一问题提出利用反事实推理的思想，结合脑组织分割的辅助任务来学习该病变的精细的位置信息和形态表征，以实现准确的定位和分割。其中反事实推理可以为病变分割提供初步的病变“定位”指导，而脑组织分割任务中自然包含了和病变分割任务相关的解剖先验知识和位置引导。


基于此，我们设计了一个简单且有效的深度学习框架(即DeepPWML)。它结合病变反事实图和组织分割概率图以及原始MR图像中蕴含的外观信息，实现了点状白质病变的精细分割，并在真实临床婴儿T1w MR图像的数据集上取得了最先进的效果。

 

 

 

 

参考文献：

Zehua Ren, Yongheng Sun, Miaomiao Wang, Xianjun Li, Chao Jin, Jian Yang, Chunfeng Lian* and Fan Wang*. Punctate White Matter Lesion Segmentation in Preterm Infants Powered by Counterfactually Generative Learning. In: International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2023)

Customization(Multiple times)

早产儿，是指妊娠满28周至不足37周间分娩的新生儿。国内早产占分娩总数的5%-15%，约15%的早产儿死于新生儿期。研究表明，大脑皮层的发育在妊娠最后三个月和出生早期容易受到扰动导致部分发育中断或异常，因此早产儿面临着神经皮层发育异常的重大风险，寻找发育异常的区域对于临床的及时诊断及治疗就显得至关重要。

 

我们针对这一问题提出了一种基于任务的模型中生成异常区域的方法，利用对分类任务的贡献确定差异区域，再利用差异区域定位，以促进对于分类精度的提高，由此获得细粒度的差异区域图。并利用一些医学上的先验知识，对差异区域的生成进行约束，从而减少噪声对于任务的干扰。基于此，我们设计了一种简单且有效的深度学习框架（即NeuroExplainer）。它利用分类知识的标签以及简单的先验知识，生成了早产儿差异区域图，并在真实的临床婴儿皮层MR图像的数据集上取得了最先进的效果。

 

 

 

 

 

参考文献：

Chenyu Xue, Fan Wang*, Yuanzhuo Zhu, Hui Li, Deyu Meng, Dinggang Shen* and Chunfeng Lian*. NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants. In: International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2023).

Customization(Multiple times)

准确的脑组织分割在各种神经科学和临床研究中至关重要。由于人类一生中大脑结构和功能的时空动态变化，大脑磁共振图像（MRI）呈现出纵向的异质性外观，导致不同时期的分割困难。这极大地阻碍了现有基于学习的脑组织自动分割方法的通用性和纵向一致性，特别是考虑到特定时间点的标注训练样本在实践中可能非常有限。

 

在本文中，我们重新审视并重新表述了纵向一致的表征学习的想法。从本质上讲，我们做出两个合理的基本假设： 1）独立于变化的MRI外观，不同组织类型之间的高阶差异在时间轨迹上是相对稳定的；2）准确的组织分割需要一个可靠的映射函数来无缝融合语义信息和特定年龄的高分辨率图像细节。根据这样的假设，我们提出了一个统一的元学习框架，同时学习用于年龄无关（即纵向一致）表征学习的通用特征提取器和一个初始化良好的分割头，可以通过少数特定年龄的样本（如一个标记的MRI）灵活调整，以建立可在整个生命周期内通用的精确分割模型。在具有挑战性的单样本分割实验环境下，我们的方法在婴儿和老年数据集上都显著优于最先进的纵向一致性学习方法。

 

 

 

 

 

 

参考文献：

Yongheng Sun, Fan Wang*, Jun Shu, Haifeng Wang, Li Wang*, Deyu Meng, Chunfeng Lian*, "Dual Meta-Learning with Longitudinally Consistent Regularization for One-Shot Brain Tissue Segmentation Across the Human Lifespan", ICCV 2023. (Co-corresponding authors)