医学影像分割是医学影像分析领域的一项重要研究方向。它利用计算机视觉和机器学习技术，对医学图像中的目标结构进行自动或半自动的分割，从而实现对疾病的诊断、治疗和监测等方面的支持。目前，基于深度学习的方法，如卷积神经网循环神经网络（RNN）和注意力机制（Attention），在医学影像分割中取得了显著的成果。此外，还有基于图像特征、形态学和统计学等传统方法，以及结合多模态信息、学习不确定性和增强现实等新兴技术在医学影像分割中的应用。
我们致力于研究和优化基于深度学习的分割网络框架，并将其应用到临床实践中。首先，我们对于人体器官结构的精细分割可以辅助医生进行疾病诊断。例如，对于血管、肺、心脏等结构的分割可以帮助医生判断病灶的形态、位置和大小，从而指导临床决策。其次，我们还期望将分割结果与手术导航系统相结合，从而使医生可以在手术中精确定位目标结构，提高手术的安全性和精准性。
图1. 医学影像分割示意图
相关项目
- 小儿先天性心脏病诊断与手术规划：与上海儿童医学中心的合作项目，主要任务有两个，一个是对小儿先天性心脏病进行诊断，包括法洛四联症、单心室、肺静脉异常引流等；其次是对单心室修复手术Fontan手术进行手术规划以及术后风险评估。
主要相关论文
 |
AEC-Net: Attention and Edge Constraint Network for Medical Image Segmentation EMBC 2020 [BibTex] |
