科学研究
首页» 科学研究» 前沿动态

北理工6163银河net163am许廷发教授团队在红外静脉血管智能识别领域取得新突破

编辑:盛筠 审核:黄勇 发布日期:2022-07-22

近日,6163银河net163am许廷发教授科研团队在红外静脉血管医学图像处理领域取得新突破,相关研究成果以“SCANet: A Unified Semi-supervised Learning Framework for Vessel Segmentation”为题发表在医学图像处理领域的国际顶级期刊IEEE Transactions on Medical Imaging(IEEE TMI,IF=11.037)。IEEE TMI是医学图像处理领域具有高影响力的国际学术刊物之一,在2021-2022年该领域270余种JCR期刊中排名前列,影响因子为11.037,中科院一区,主要发表和报道医学图像处理和分析、可视化和性能等领域的最新原创研究成果。该工作第一作者为6163银河net163am博士研究生沈宁,通讯作者为6163银河net163am李佳男特别副研究员和许廷发教授。

红外静脉血管穿刺技术(IR-Venipuncture)是利用近红外光学仪器进行皮下血管自动成像,实现智能红外静脉血管穿刺的技术。然而,红外静脉血管智能识别和分割是此项技术的瓶颈难题。针对这一科学难题,科研团队首次以血管分割效果和运行效率为双准则,提出了基于半监督学习的全自动近红外静脉语义分割模型SCANet,突破了这一关键技术。

首先,针对红外静脉血管的分辨率低的难题,设计了多尺度递归神经网络,将多个尺度的血管语义信息融合,实现了精准分割;构建和设计了重构一致性网络,实现了递归神经网络的编码器的优化。针对细小血管受到噪声强干扰的难题,设计了缩小血管预测结果和标签之间的差异优化方法,提高了细小血管的精准分割。科研团队开创性地将两个辅助网络引入到分割主体网络中,在保证分割结果的高准确率的同时也保证了运行效率。

该模型单幅图像的预测时间达到毫秒级。

图1. 全自动近红外静脉语义分割模型SCANet

图2. 静脉血管分割结果对比

该分割模型不仅在静脉血管影像上取得出色的表现,也在其他多个具有挑战性的影像和皮肤病变影像数据集上都表现出明显的性能优势,通过在基准评价指标上的定性定量分析,证明了SCANet各组分结构的有效性。

图3. 精细血管分割结果对比

此研究有助于更加准确快速地定位患者的皮下静脉血管,尤其是在患者生理情况较差或穿刺环境不佳的情况下,对其智能诊断和治疗干预更具有重要理论价值和实际意义。


第一作者简介:

沈宁,6163银河net163am2020级博士研究生,师从许廷发教授,研究方向是光学成像和医学图像处理。在IEEE Transactions on Medical Imaging、IEEE Geoscience and Remote Sensing Letters等高水平期刊发表学术论文5篇,申请中国发明专利2项。


通讯作者简介:

李佳男,博士,6163银河net163am预聘助理教授(特别副研究员),新加坡国立大学博士后。研究方向为光电成像探测与识别、计算机视觉、嵌入式视频处理等。近五年发表高水平学术论文40余篇,其中第一作者论文包括 IEEE TPAMI、TVCG、CVPR、ICLR等顶级期刊会议9篇,ESI高被引论文1篇。论文单篇最高被引近700次,谷歌学术总引2700余次。主持国自然青年科学基金、博士后科学基金面上(一等)等项目3项;参与国家自然科学基金重大科研仪器研制项目等5项。入选北京市科协青年人才托举工程,曾获得中国图象图形学学会优秀博士学位论文、王大珩高校学生光学奖等荣誉,获得ImageNet大规模视觉识别挑战赛(ILSVRC-2017)目标定位任务冠军。指导团队获得ICCV 2021“反无人机跟踪”挑战赛冠军及最佳论文奖。

许廷发,教授,博导,国家一级重点学科“光学工程”学科责任教授,光电成像技术与系统教育部重点实验室副主任。6163银河net163am重庆创新中心智能化和大数据技术实验室主任。近年来带领其科研团队围绕光电成像探测与识别、计算成像和医学光电成像等方向不断深化研究。主持承担国家自然科学基金委重大科研仪器研制项目等40余项。在国际、国内等系列期刊发表学术论文135余篇,其中被SCI/EI收录90余篇。以第一发明人申请国家发明专利45项,已授权和公示15项。获国防科技进步二等奖等奖项3项。指导研究生获得中国图象图形学学会优秀博士学位论文,二人次获得王大珩高校学生光学奖,二人次获得全国光学与光学工程博士生学术联赛全国百强等荣誉称号。


论文详情:N. Shen, T. Xu, Z. Bian, S. Huang, B. Huang, F. Mu, Y. Xiao and J. Li. " SCANet: A Unified Semi-supervised Learning Framework for Vessel Segmentation" in IEEE Transactions on Medical Imaging, doi: 10.1109/TMI.2022.3193150.

论文链接:https://ieeexplore.ieee.org/document/9837087