近期，我校计算机科学与技术学院刘小明博士关于CT图像上新冠肺炎感染区自动分割的研究论文“Weakly Supervised Segmentation of COVID19 Infection with Scribble Annotation on CT Images”在模式识别领域顶级期刊之一Pattern Recognition上发表。Pattern Recognition是中国自动化学会CAA推荐的A类期刊，刘小明博士为论文的第一作者与共同通讯作者。刘小明博士以第一作者和通讯作者今年在IEEE Transactions on Instrumentation and Measurement(IEEE TIM)上发表另一篇关于光学相干断层成像视网膜层结构自动分割的研究论文“Confidence-guided Topology-preserving Layer Segmentation for Optical Coherence Tomography Images with Focus-column Module”，IEEE TIM是中国自动化学会CAA推荐的B类期刊。此外，还有一篇关于红外眼睑图像睑板腺分割的论文“Scribble-supervised meibomian glands segmentation in infrared images”被ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM)录用，刘小明博士为论文的第一作者和通讯作者，TOMM是中国计算机学会CCF推荐的B类期刊。在2020年，刘小明博士以第一作者和共同通讯作者在IEEE Journal of Selected Topics in Signal Processing (IEEE JSTSP)上发表了题为“Multimodal MR Image Synthesis Using Gradient Prior and Adversarial Learning”的多模态核磁图像合成学术论文，IEEE JSTSP是中国自动化学会CAA推荐的A类期刊。连续发表的高水平论文将有力地推进医学图像处理和人工智能领域的前沿性研究工作，扩大计算机科学与技术学院在医学图像处理和人工智能领域的学术影响力。

论文1：Weakly Supervised Segmentation of COVID19 Infection with Scribble Annotation on CT Images (Pattern Recognition)

当前人们的健康深受COVID-19疫情的影响，3维CT成像可以展现感染区域的大小，从 CT 扫描中分割感染区对于准确诊断和跟进患者病情发展有重要临床意义。卷积神经网络在CT图像 COVID-19感染区域自动分割任务方面有巨大的潜力，但其需要大量逐像素密集标注的样本来进行训练，全标记训练样本的构建耗时费力。我们提出了一种新颖针对 CT 切片中 COVID-19 感染区域的弱监督分割方法（下图1），该方法只需要简单笔画监督，并通过具有不确定性感知的自集成框架和变换一致性技术来改善网络训练。在大型数据集上的实验表明，仅需全标记中2%的像素标记，我们基于笔画标记的弱监督分割可以取得与全监督相似的分割性能。该工作可大幅度降低医生对CT图像中感染区域的标记工作量，有利于深度学习技术在对抗COVID-19感染中发挥量化分析的作用，为感染管理与治疗评估等应用提供技术支撑。

图1. 不确定性感知与变换一致约束的笔画监督COVID-19感染区自动分割方法

论文2：Confidence-guided Topology-preserving Layer Segmentation for Optical Coherence Tomography Images with Focus-column Module (IEEE TIM)

光学相干断层成像OCT是一种非侵入性成像技术，可以让医生观察视网膜的内部横截面结构, 视网膜中不同层的结构变化与多种视网膜疾病直接相关。手动层分割耗时且易受到主观因素影响。我们提出了基于对抗深度学习的自动层分割方法（见下图2），由分割网络和置信网络组成，其中分割网络同时预测OCT B扫描的概率图和距离图，距离图的引入以一种软约束的监督方式为模型引入视网膜层序信息。所提方法在3种不同的病理影响下的OCT图像上都取得了有竞争力的结果。自动分割方法可为视网膜相关疾病诊断提供量化工具支撑。

图2基于置信度指导的拓扑顺序保持视网膜层分割方法

论文3：Scribble-supervised meibomian glands segmentation in infrared images (ACM TOMM)

睑板腺功能障碍（MGD）是睑板腺的一种慢性、弥漫性疾病，是导致干眼症和眼睑炎等眼疾的重要原因。睑板腺红外成像以红外线为光源拍摄睑板腺的数量和形状，从而对MGD的诊断和监测治疗效果起到指导作用，是目前临床上评估睑板腺形态、预后最有效的成像方式。针对手工分割腺体工作量巨大的问题，我们提出了一种仅需笔画标记来训练深度学习模型的分割方法（见下图3），在保持良好分割精度的同时极大地减少了手工标记的工作量，为大规模量化分析腺体形态变化与MGD疾病分级及诊疗评估提供了工具支撑。

图3 基于笔画标记弱监督的睑板腺分割方法

论文4: Multimodal MR Image Synthesis Using Gradient Prior and Adversarial Learning (IEEE JSTSP)

MRI不同的成像模态（如T1, T2, Flair）为医生提供了丰富的临床诊断信息， 然而 MRI 中多模态的图像因为缺失和采集问题常常难以获得完整多模态序列。我们提出了一个基于对抗学习的框架，从已有部分模态中合成其它模态的图像。该方法结合编码器-解码器结构与对抗学习，形成了一个灵活的多输入多输出图像合成框架（见下图4）。通过调整编码器和解码器的数量，就可以完成从 N 到 M 种任意数量的模态转化。多模态医学图像合成可生成缺失模态的医学图像，用于其他相关处理，如图像分割与配准、构建特定医学图像用于教学训练等。

图4 多模态MR图像合成