國(guó)際醫(yī)學(xué)圖像計(jì)算和計(jì)算機(jī)輔助干預(yù)協(xié)會(huì)(Medical Image Computing and Computer Assisted Intervention Society，MICCAI ) 是醫(yī)學(xué)圖像分析領(lǐng)域國(guó)際公認(rèn)最具影響力的學(xué)術(shù)組織，代表了醫(yī)學(xué)影像人工智能研究的風(fēng)向標(biāo)。今年 9 月，MICCAI 2025 會(huì)議將在韓國(guó)大田舉行。近日，大會(huì)正式公布論文接收結(jié)果，上海科技大學(xué)生物醫(yī)學(xué)工程學(xué)院共有 27 篇論文入選。

部分研究論文成果簡(jiǎn)介

多模態(tài)腦影像（如MRI、CT 和 PET）通過(guò)提供互補(bǔ)的結(jié)構(gòu)與功能信息，極大促進(jìn)了人類(lèi)對(duì)認(rèn)知機(jī)制與神經(jīng)系統(tǒng)疾病的認(rèn)識(shí)。現(xiàn)有的跨模態(tài)影像合成方法大多針對(duì)特定任務(wù)或模態(tài)設(shè)計(jì)，缺乏統(tǒng)一性，在面對(duì)復(fù)雜多變的真實(shí)臨床影像數(shù)據(jù)時(shí)，往往表現(xiàn)出性能下降和泛化能力不足的局限。沈定剛教授課題組博士后王譽(yù)霖等開(kāi)發(fā)了一個(gè)通用的MRI/CT/PET跨模態(tài)圖像生成基礎(chǔ)模型UniSyn，可基于任意可用模態(tài)影像及其成像元數(shù)據(jù)，合成具備指定采集參數(shù)的目標(biāo)模態(tài)影像。在多中心腦影像數(shù)據(jù)集上的大量實(shí)驗(yàn)證明，UniSyn 在合成影像的量化準(zhǔn)確性和臨床相關(guān)性方面均優(yōu)于現(xiàn)有主流方法，能夠針對(duì)不同臨床與科研需求，靈活生成缺失的影像序列，為多模態(tài)腦影像智能補(bǔ)全及輔助診斷提供了可靠的新工具。

論文題目：Unisyn: A Generative Foundation Model for Universal Medical Image Synthesis across MRI, CT and PET

阿爾茨海默病（AD）是一種進(jìn)展緩慢且異質(zhì)性強(qiáng)的神經(jīng)退行性疾病，早期診斷對(duì)于及時(shí)干預(yù)至關(guān)重要。盡管結(jié)構(gòu)性神經(jīng)影像和深度學(xué)習(xí)方法在輔助診斷中取得了進(jìn)展，但由于真實(shí)世界縱向隨訪(fǎng)數(shù)據(jù)的復(fù)雜性（如隨訪(fǎng)時(shí)間不規(guī)則、觀(guān)測(cè)時(shí)長(zhǎng)差異大），傳統(tǒng)生存分析模型難以充分利用這些信息。沈定剛教授課題組博士后戴領(lǐng)等提出了一種創(chuàng)新的基于回歸的生存分析框架，能夠直接從縱向數(shù)據(jù)中估計(jì)疾病進(jìn)展時(shí)間。通過(guò)部分優(yōu)化MSE損失函數(shù)處理縱向數(shù)據(jù)中的不規(guī)則隨訪(fǎng)和刪失問(wèn)題，顯著提升阿爾茨海默病進(jìn)展預(yù)測(cè)的準(zhǔn)確性與早期預(yù)警能力。在阿爾茨海默病神經(jīng)影像公開(kāi)數(shù)據(jù)集（ADNI）上的實(shí)驗(yàn)表明，該方法在 C-index 和平均 AUC 等指標(biāo)上均超越了現(xiàn)有主流方法，尤其在早期階段和長(zhǎng)期預(yù)測(cè)場(chǎng)景下表現(xiàn)突出。此外，結(jié)合 SHAP 可解釋性分析，模型自動(dòng)識(shí)別出與 AD 進(jìn)展密切相關(guān)的腦區(qū)（如左海馬、右杏仁核等），為神經(jīng)退行性疾病的機(jī)制研究提供了新視角。

論文題目：Regression-based Survival Model to Predict Alzheimer's Progression Using Longitudinal Data

心臟超聲圖像（Echocardiogram）在心血管疾病的篩查與評(píng)估中發(fā)揮著重要作用，其中左心室的分割和關(guān)鍵解剖標(biāo)志點(diǎn)的檢測(cè)是臨床評(píng)估中的常規(guī)任務(wù)。近年來(lái)，基于深度學(xué)習(xí)的方法已被廣泛應(yīng)用于自動(dòng)化分析，但其在真實(shí)場(chǎng)景中的應(yīng)用仍受到多重挑戰(zhàn)的限制。沈定剛教授課題組博士研究生陳顥源等提出了一種基于半監(jiān)督學(xué)習(xí)的超聲心動(dòng)圖分割和關(guān)鍵點(diǎn)檢測(cè)模型。在兩個(gè)大規(guī)模心超數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證表明，該方法在分割精度、標(biāo)志點(diǎn)定位誤差和時(shí)序穩(wěn)定性方面均優(yōu)于現(xiàn)有先進(jìn)技術(shù)，展示出強(qiáng)大的泛化能力和臨床應(yīng)用前景。

論文題目：A Semi-Supervised Knowledge Distillation Framework for Left Ventricle Segmentation and Landmark Detection in Echocardiograms

正電子發(fā)射斷層掃描-磁共振成像技術(shù)（PET-MR）作為臨床分子影像領(lǐng)域的革命性進(jìn)展，同時(shí)具備 MRI 優(yōu)異的軟組織對(duì)比度、低輻射暴露風(fēng)險(xiǎn)及多參數(shù)代謝-解剖同步評(píng)估能力。然而，系統(tǒng)性臨床評(píng)估顯示，PET-MR 與 PET-CT 掃描之間的標(biāo)準(zhǔn)攝取值比（SUVR）存在顯著差異，這主要因?yàn)榛?MR 的 PET 衰減校正方法存在固有的技術(shù)局限。為彌合這一差異，王乾教授課題組碩士研究生鐘奧程等提出了一種基于結(jié)構(gòu)項(xiàng)引導(dǎo)并統(tǒng)一多示蹤劑的 PETMR 攝取校正算法，旨在實(shí)現(xiàn)不同示蹤劑條件下 PET-MR 與標(biāo)準(zhǔn) PET-CT 掃描結(jié)果的攝取量化一致性。在包含 70 名患者的三種示蹤劑（FDG、AV1、TAU）數(shù)據(jù)上進(jìn)行了全面實(shí)驗(yàn)結(jié)果表明，經(jīng)本框架校正后的 PET-MR 影像，其在攝取量化一致性方面優(yōu)于現(xiàn)有方法，更接近標(biāo)準(zhǔn) PET-CT 掃描結(jié)果。本研究首次針對(duì)多示蹤劑 PET-MR/PET-CT 掃描間的攝取量化差異問(wèn)題提出了高質(zhì)量解決方案，有望顯著推進(jìn) PET-MR 的臨床標(biāo)準(zhǔn)化進(jìn)程。

論文題目：Multi-Tracer Uptake Correction for PET-MR via Aligned-Feature Guidance and Multi-scale Pixel-adaptive Routing

在磁共振成像（MRI）臨床實(shí)踐中，患者運(yùn)動(dòng)與硬件缺陷等因素常會(huì)同時(shí)引發(fā)多種偽影，盡管現(xiàn)有一體化圖像恢復(fù)（AiOIR）方法嘗試通過(guò)統(tǒng)一網(wǎng)絡(luò)同時(shí)去除多種偽影，但在面對(duì)實(shí)際掃描中出現(xiàn)的未知混合偽影時(shí)，恢復(fù)效果往往顯著下降。王乾教授課題組碩士研究生唐彧嫻等提出了一種基于提示檢索的級(jí)聯(lián)式架構(gòu)ResMAP，用于主動(dòng)識(shí)別并逐步去除磁共振圖像中的復(fù)雜混合偽影。在三種常見(jiàn)偽影及其混合形式上的實(shí)驗(yàn)證明，ResMAP 在恢復(fù)性能上顯著優(yōu)于現(xiàn)有 AiOIR 方法。同時(shí)，在多種磁場(chǎng)強(qiáng)度下的 MRI 圖像零樣本測(cè)試中，ResMAP 展現(xiàn)出優(yōu)越的跨域泛化能力。該研究為MRI混合偽影恢復(fù)提供了高效靈活的解決方案，其輕量訓(xùn)練-強(qiáng)大泛化的技術(shù)路徑也可拓展至其他醫(yī)學(xué)影像模態(tài)的處理。

論文題目：ResMAP: Restoring MRIs of Mixed Artifacts by Prompt Cascading Retrieval

齲病是最常見(jiàn)的口腔疾病之一, 從口腔全景 X 光片中的準(zhǔn)確檢測(cè)齲病對(duì)防止病變惡化具有重要意義。由于齲病在全景片上細(xì)微的對(duì)比度差異和多樣的形態(tài)特征，現(xiàn)有檢測(cè)方法往往難以達(dá)到理想精度。崔智銘教授課題組碩士研究生羅濤等提出了一個(gè)基于基礎(chǔ)模型的雙視角協(xié)同訓(xùn)練框架，以實(shí)現(xiàn)高精度的齲病檢測(cè)。該研究受臨床工作流程啟發(fā)，設(shè)計(jì)了一種名為 DVCTNet 的新型雙視圖協(xié)同訓(xùn)練網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果表明，DVCTNet 優(yōu)于目前最先進(jìn)方法，展現(xiàn)出卓越的性能優(yōu)勢(shì)，進(jìn)一步驗(yàn)證了其在臨床場(chǎng)景中應(yīng)用的可行性與可靠性, 為其在實(shí)際口腔診療中的推廣應(yīng)用奠定了堅(jiān)實(shí)基礎(chǔ)。

論文題目：Adapting Foundation Model for Dental Caries Detection with Dual-View Co-Training