近日，我院几何计算与智能媒体技术研究团队在医学图像配准领域取得新成果“Bi-level Probabilistic Feature Learning for Deformable Image Registration”。该研究成果已被2020年国际人工智能联合会议（International Joint Conference on Artificial Intelligence，IJCAI 2020）录用，作者包括刘日升教授、李孜、张宇夕、樊鑫教授（通讯作者）、罗钟铉教授。IJCAI是人工智能领域的顶级综合学术会议，被中国计算机学会（CCF）推荐国际学术会议列表认定为A类会议。本届IJCAI大会收到4717篇论文投稿，录用592论文录用率为12.6%。

大多数已有的配准网络只是基于预先设计的损失函数直接学习参数以输出变形场，很难为前端特征提取阶段自适应地强制执行配准约束。为此，该项研究提出了一种新颖的双层优化模型，该模型可以协同求解变形场和特定于配准任务的特征，高效鲁棒地解决了可变形配准问题。具体而言，该项工作将变形场计算作为上层优化并将特征学习作为下层优化，可以根据上层子问题交替求解变形场，并根据下层子问题调整特征表示。在下层子问题中，该项工作还结合了基于高斯先验的最大后验概率估计，以促进特征提取以适应特定的变形场学习目的。值得一提的是这种具有自适应配准特征提取的变形场学习策略与现有的直接基于学习的图像配准方法完全不同。此外，该项工作针对两个优化子问题设计了可学习的深度网络并提出了无监督的端到端训练方案。在3D脑部MR数据集上的大量实验表明，该研究方法在准确性，鲁棒性和效率方面获得领先性能（state of the art）。该算法即将集成至大连理工大学医学影像研究组研发的医学影像分析处理软件。（）

医学图像领域其他工作：

医学图像配准：可变形配准问题是医学图像分析的关键技术之一，用于对齐不同医学图像。传统方法旨在解决求解图像对的优化模型，计算成本非常高。深度学习的方法可以提供快速的变形估计，但严重依赖于训练数据且灵活性有限。研究团队开发了一种将先验原理整合至双向变形估计的范例。 所提出的方法结合领域知识和深层表示的优点，能够比现有技术更有效稳定地估计变形场，尤其是在测试和训练数据表现出很大差异时。相关成果形成论文“Coupling Principled Refinement with Bi-Directional Deep Estimation for Robust Deformable 3D Medical Image Registration”发表在医学影像领域重要会议IEEE ISBI，2020。

医学图像重建：CT、MRI等医学成像系统噪声、手术对象病变、拍摄条件改变等因素会降低医学图像质量。对于重构定问题，传统方法在充分利用领域知识的同时也引入了巨大的计算负担。受深度学习启发，一些方法通过嵌入可学习先验来同时利用物理模型和数据分布信息，但对数据和网络结构的依赖限制了其对于不同数据分布的可移植性与通用性。最重要的是网络结构的引入使整个迭代优化过程由白盒变成了灰盒，网络的不可控结果可能会改变输出序列的传播方向，破坏算法的收敛性。针对此问题研究团队提出可收敛的深度传播框架，在算法的每一次迭代中，设计了四个模块（保真项模块、数据驱动模块、最优条件模块、稀疏先验模块）依次实现初步重构、伪影去除、误差控制和细节恢复的工作。相关成果形成论文“A Theoretically Guaranteed Deep Optimization Framework for Robust Compressive Sensing MRI”发表在国际人工智能顶级会议AAAI(CCF A), 2019。

相关介绍：

几何计算与智能媒体技术研究团队隶属于大连理工大学国际信息与软件学院，与立命馆大学合作建立健康医疗智能计算联合研究中心。研究课题包括机器学习、深度学习、计算机视觉、多媒体技术、优化方法等当前最前沿的领域，及其在医疗和健康领域中的应用。近年来在IEEE TPAMI、TIP、TNNLS、TMM、NeurIPS、IJCAI、AAAI、CVPR、ECCV、ACM MM等人工智能、多媒体技术等多方领域的重要期刊及会议上发表论文达100余篇。近一年来针对可学习优化的理论及应用研究已发表顶级会议和期刊（包括NeurIPS, AAAI, IJCAI, ACM MM, TIP, TNNLS等）论文30余篇。