近日，我中心赵庆亮研究团队在医学成像领域顶级学术期刊IEEE Transactions on Medical Imaging发表题为“Robust vascular segmentation for raw complex images of laser speckle contrast based on weakly supervised learning” 的研究性论文。该工作提出一种鲁棒的弱监督学习方法，通过阈值组合和处理流程代替人工标注工作来构建数据集的真值，并设计和开发一个基于Unet++和ResNeXt的深度神经网络FURNet模型。该模型实现了高质量的血管分割，并在不同数据集上捕获了多场景血管特征，具有良好的泛化能力。

激光斑点对比成像(Laser speckle contrast imaging, LSCI) 是一种能够同时提取空间域和时间域相对血流信息的无创成像技术，已成为生物医学和分子影像学研究的热点。然而，LSCI图像中存在大量的组织信号噪声，使得LSCI图像的精确语义分割和血管特征提取成为一项具有挑战性的任务；此外，在监督学习中标记每种病理类型是一件高成本、高度复杂的任务，LSCI图像中包含的血流速度信息和深度信息会由于标记方法导致信息的损失。因此，找到一种避免像素级的标注方法对于散斑图像分析具有重要临床意义。

该工作中，研究者针对复杂微循环血管区域的LSCI图像，提出一种鲁棒的弱监督学习方法。该框架有效实现了疾病不同阶段组织区域的血管分割，有助于介入栓塞治疗。此外，采用多组阈值组合对不同阶段不同风格的图像进行处理，并对这些图像进行马尔可夫随机场(MRF)收敛。将两部分图像混合后，对分割结果进行联合筛选。为了构建具有弱监督信息的LSCI血管分割数据集，在处理流程中采用阈值组合选择方法，取代了人工标注的繁琐工作。该方法无需对LSCI图像数据集进行像素级标注，实现了对体表图像的有效血管分割，为LSCI在体内的应用提供了一种高效的方法，其泛化能力也在多个数据集上得到验证。

我中心2021级硕士研究生傅苏中、厦门大学人工智能研究院2022级硕士研究生徐靖为该论文的共同第一作者，中心赵庆亮老师、河北大学薛林雁副教授、山东大学隋文海主任医师为该论文的共同通讯作者。该工作得到了国家自然科学基金、福建省引导性基金、厦门大学医学部校长基金等项目的资助。

论文链接：https://ieeexplore.ieee.org/document/10155229