10月5日，医学影像计算领域顶级期刊IEEE Transactions on Medical Imaging (影响因子10.048)发表了本实验室在CT图像中肺纤维化自动分割方面的工作“Semi-Supervised Segmentation of Radiation-Induced Pulmonary Fibrosis from Lung CT Scans with Multi-Scale Guided Dense Attention”。该工作利用深度学习技术，通过一种新型的神经网络结构PF-Net，实现肺纤维化病灶的准确自动分割，并且提出了一种新的半监督学习算法，可大大减少医学图像分割的人工智能算法所需要的标注量。

肺纤维化图像的例子

肺癌是发病率最高的癌症之一，放疗是癌症的主要治疗手段。然而放疗过程中受反复射线照射的病人容易遭受放射性损伤，肺纤维化就是典型的放射性损伤之一。从CT图像中对肺纤维化进行准确的自动分割，可以精确观测肺纤维化程度，对放疗决策、效果评估等具有重要意义。

PF-Net的结构图

本文针对肺纤维化病灶形态不规则、尺度、位置变化大，图像三维分辨率各向异性等带来的分割难题，设计了一种新型的卷积神经网络PF-Net。传统的卷积神经网络采用单纯的二维卷积或三维卷积，不能很好处理具有较大层间距的图像。PF-Net先通过两次二维卷积和下采样，将图像的三维分辨率调整为各向同性，再利用三维卷积学习三维特征。此外，通过多尺度注意力的方式，让网络可以更关注在病灶附近的区域，并且通过各尺度间注意力图的密集连接，提高了跨尺度间信息融合的能力，从而得到更好的分割效果。

PF-Net与其他网络结构的比较

针对训练图像中病灶的标注过程耗时、费力的问题，本文提出一种半监督学习算法I-CRAWL(Iterative Confidence-based Refinement And Weighting of pseudo Labels)。该方法针对未标注图像生成伪标签，通过不确定性估计对伪标签进行修正，并且按照不确定性的大小对伪标签进行加权，有利于分割网络学习过程中避免低质量伪标签的干扰，从而在训练集中仅有一部分图像有标注的情况下，得到较好的训练效果。

伪标签在学习过程中的变化

本研究成果由电子科技大学与美国马里兰大学、罗格斯大学等单位合作完成。电子科技大学为第一完成单位。

论文链接：https://ieeexplore.ieee.org/document/9558828