2024-01-12
浏览次数：762近日，丁长兴研究员指导学生在IEEE Transactions on Image Processing（中科院1区、CCF A类）上发表的论文荣获2023年度IEEE SPS Young Author Best Paper Award1，论文题目为“One-Pass Multi-Task Networks with Cross-Task Guided Attention for Brain Tumor Segmentation”。第一作者周晨红同学在我院硕士研究生毕业，目前在香港浸会大学计算机系攻读博士学位。该论文自发表以来已被引用近180次，是过去四年IEEE SPS旗下期刊在医学图像处理领域被引最高论文之一。
本奖项评选范围为2019年1月至2022年12月期间发表在IEEE SPS旗下期刊的数千篇期刊论文，参评顶级期刊包括：IEEE Transactions on Image Processing (TIP)、IEEE Transactions on Signal Processing (TSP)、IEEE/ACM Transactions on Audio, Speech, and Language Processing (TASLP)、IEEE Transactions on Information Forensics and Security (TIFS)、IEEE Transactions on Computational Imaging和IEEE Journal of Selected Topics in Signal Processing等。经评选委员会评选，最终有3篇论文获奖，该论文是2023年度国内唯一获得该奖项的作品。
该论文提出了一种新颖的单阶段多任务学习模型，旨在解决脑肿瘤分割任务中最具挑战性的类别不平衡问题。已有工作多采用级联模型策略，通过训练多个单独的深度模型完成由粗到精的分割；然而，该策略会导致系统计算复杂度显著增加，并忽视了模型之间的相关性。为了克服以上不足，丁长兴研究员团队提出了一种端到端的轻量级深度模型，命名为One-Pass Multi-Task Network（OM-Net，见图1）。OM-Net将多个分割任务整合到一个深度模型中，该模型由共享的主干模型和应用于特定分割任务的三个分支构成，分别学习任务间的联合特征和特定任务的判别特征。该论文还提出了跨任务引导的注意力机制，基于前一个任务提供的预测结果，获取目标类别的统计信息并产生通道注意力系数，为当前任务实现更精细的特征校正，并最终提升分割性能（图2）。
图1: (a) 传统级联模型分割框架，使用三个独立网络、以由粗到精的策略分割肿瘤区域；(b) 该获奖论文提出的One-Pass Multi-Task Network（OM-Net）是一种新颖的端到端深度模型，利用任务间的相关性，使用单阶段计算就得到了精确的分割结果，显著降低了模型复杂度。
图2: OM-Net结构示意图：基于多任务学习思想，将不同任务的训练数据合并在一起训练共享主干模型。第二个任务的特征（F-2）和第三个任务的特征（F-3）分别通过第一和第二个任务的分割分支，以获得粗略的预测结果。基于这些粗略预测来学习目标类别的通道注意力系数，实现第二和第三个任务特征的精细校正，最终实现肿瘤区域的精准分割。
与传统级联模型相比，OM-Net在保留由粗到精分割思想的同时，充分挖掘了任务之间的相关性。通过共享模型参数、训练数据和预测结果，OM-Net显著减少了模型训练参数，并将传统的多阶段串联的分割过程进行了简化。该方法在国际顶级会议MICCAI举办的脑肿瘤分割挑战赛中得到了充分验证：丁长兴研究员团队在2018年度和2019年度的比赛中分别获得总排名第三（高校队伍中排名第一）2和总排名第一3的好成绩。两次比赛吸引了众多工业巨头和顶尖大学参赛团队，包括英伟达、腾讯、德国癌症研究中心、哈佛大学、CMU、伯克利、耶鲁和北京大学等。该获奖论文提出的方法为团队在两次比赛中的出色表现奠定了扎实基础。（文图/电子与信息学院，初审/唐杰，复审/燕维英、曾抒姝，终审/张健）
[1] https://signalprocessingsociety.org/community-involvement/award-recipients
[2] https://www.med.upenn.edu/sbia/brats2018/rankings.html
[3] https://www.med.upenn.edu/cbica/brats2019/rankings.html