浙大睿医人工智能研究中心（浙江大学校级研究中心），自成立以来持续参与MICCAI投稿，截至本次投稿结束，浙大睿医人工智能研究中心已有6篇稿件被MACCAI录用。

2019年浙大睿医人工智能研究中心总计3篇论文被MICCAI收录，3篇论文研究方向涵盖目标检测、半监督物体分割和多模态识别等任务，在人工智能医疗应用领域取得了创新性的突破。同时，基于多模态融合的宫颈病变识别成果已用于浙江大学医学院附属妇产科医院、温州人民医院、浙江大学医学院附属第一医院、浙江大学附属第二医院、青医附院、山东省立三院、武汉同济医院等14家医院，在临床应用中取得了较好效果。

以下为3篇入选论文科研成果概述：

1.Jintai Chen,  Yanjie Wang, Ruoqian Guo, Bohan Yu, Tingting Chen, Wenzhe Wang, Ruiwei Feng, Danny Z. Chen, Jian Wu. LSRC: A Long-Short Range Context-Fusing Framework for Automatic 3D Vertebra Localization. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2019.

基于CT的脊柱骨定位在临床诊断和治疗中具有重要意义，但由于其复杂病理情况，定位效果一般。在本文中，我们提出了一种充分融合局部和远距离上下文信息的网络框架(LSRC)，分别使用三维和二维CT数据，融合局部和远距离信息，并使用一种全新的基于注意力机制的优化模块，对定位结果进行调整优化。本方法在含有各种病理情况的脊柱CT公开数据集中表现超越了最先进的方法。

(网络框架图，三维和二维网络分别用于提取局部和远距离信息，融合后由全局优化模块(GRM)调整优化结果)

2. Tingting Chen, Xinjun Ma, Xuechen Liu, Wenzhe Wang, RuiweiFeng, Jintai Chen, Chunnv Yuan, Weiguo Lu, Danny Z. Chen, Jian Wu. Multi-View Learning with Feature Level Fusion for Cervical Dysplasia Diagnosis. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2019.

本文的主要贡献是，提出了一种创新的多模态融合模型，解决了目前已有的融合方法不能充分探索不同模态间的潜在联系的问题，并在阴道镜数据集上取得最佳的宫颈病变识别效果。本文提出一种Feature Level Fusion结构，在醋酸图像和碘图像特征提取阶段进行融合，更好地利用两者之间的特征，学习两者之间的关系。根据融合方向的不同，本文进一步探索了单向融合和双向融合两种方式，结果表明双向融合能使得两种模态在特征学习的过程中相互促进，取得更好的效果。

(网络框架图，单向融合(左)和双向融合(右)，模型的backbone为ResNet50，Assistant Modules为融合的具体结构)

3. Han Zheng, Lanfen Lin, Hongjie Hu, Qiaowei Zhang, Qingqing Chen, Yutaro Iwamoto, Xianhua Han, Yen-Wei Chen, Ruofeng Tong, and Jian Wu. Semi-supervised Segmentation of Liver Using Adversarial Learning with Deep Atlas Prior. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2019.

与自然图像相比，医学图像由于数据量小且标注困难，研究难度较高。但同时，医学图像具有许多自然图像没有的解剖学先验，例如器官的形状和位置，将解剖学先验知识纳入深度学习模型训练是提升医学图像分割效果的有效手段。本文基于医学图像的解剖学先验Probabilistic Atlas，提出DAP(Deep Atlas Prior) loss，从损失函数的层面辅助神经网络训练，将网络的训练注意力集中在器官边缘相对困难的位置，并将传统的cross entropy loss和focal loss等视为likelihood loss，结合提出的DAP loss，参考贝叶斯模型进一步提出Bayesian loss。模型采用生成对抗网络（GAN）进行半监督学习，将无标签数据纳入训练阶段，缓解标注数据压力。本方法在肝脏和脾脏数据集得到了优异的分割效果，提高了模型对医学图像的分析处理能力。

(网络整体结构图，结合Bayesian loss的半监督对抗网络)

浙大睿医人工智能研究中心的主要目标是建立一个开放型的产学研协同创新平台，发挥浙大计算机学院、信息学院、医学院、药学院等院系及附属医院在医学人工智能领域的技术优势，创建中国自己的医学人工智能开放平台，助力我国医疗健康数据挖掘、应用及安全保障。中心将通过医学大数据计算与人工智能，实现辅助诊疗、医患精准匹配等功能，为医生提升工作效率，为患者提供个性化、精准的医疗体验，带动医学人工智能行业发展。