近日，太原理工大学软件学院赵涓涓教授率领的图像与智能团队在医学图像语义表征提取方面取得重大进展。研究成果以“Anatomy-based Self-supervised Pre-training for Scale-robust Hierarchical Representations in Chest X-rays”为题，发表于国际医学人工智能顶级会议Medical Image Computing and Computer-Assisted Intervention (MICCAI)，并获会议高光论文。MICCAI是计算机和医学交叉领域的顶级国际会议，代表了医学人工智能技术发展的前沿风向标。本届MICCAI于韩国大田召开，共收到投稿3677篇，接收1027篇，其中高光论文179篇。这是太原理工大学近年来首次在该会议发表论文，代表了太原理工大学在人工智能领域研究的又一重大突破。该论文的第一署名单位为太原理工大学，通讯作者为赵涓涓教授，第一作者为太原理工大学博士研究生褚苏荣。

图 1 论文页面

　　本研究聚焦于运用人工智能算法，深入探究医学图像中解剖结构之间的内在关系，并借助这种关系优化计算机自动疾病诊断与病灶分割的性能。在技术路径上，研究团队对自监督预训练技术进行了创新性改进，实现了在无需人工标注的前提下，让人工智能算法能够自动捕捉并学习到能真实反映解剖结构间关系的图像语义表征。

图 2 尺度变化给解剖语义表征带来的挑战：(a) 表征不一致;(b) 层次关系误判

　　理想的解剖语义表示应兼具一致性与层次性两大特质。具体而言，一致性要求相同的解剖结构在表征空间中保持相近的距离;而层次性则强调解剖结构之间的组成与被组成关系，能够在其表征中得到准确体现。然而，当前主流方法所学习到的表征容易受到图像尺度变化的影响，导致在某些特定尺度上出现表征不一致以及层次关系误判等问题。

图 3 自监督的尺度鲁棒解剖表征学习框架

　　针对上述存在的尺度脆弱性问题，该研究创新性地提出了一种自监督的尺度鲁棒解剖表征学习框架。此框架巧妙融合了经典预训练方法与两项新提出的预训练任务，即位置尺度预测(Location-Scale Prediction, LSP)和分解预测(Decomposition Prediction, DP)，从三个关键维度有效攻克了尺度脆弱性难题：

　　(1)该框架以灵活多变的多尺度图像块作为输入，这样的设计使得预训练过程能够涵盖更为广泛、丰富的解剖语义信息，为模型学习提供坚实的数据基础。

　　(2)LSP任务通过提升模型对尺度变化的感知能力，有效解决了因多尺度输入而引发的表征冲突问题，进而促进了表征的一致性，确保了模型在不同尺度下都能稳定输出准确结果。

　　(3)DP任务则聚焦于学习解剖结构与其组成部分之间的内在关系，既保持了层次表征间的相似性，又确保了它们的可区分性，从而彻底消除了层次关系误判的现象。

图 4 自监督预训练方法习得表征的一致性和层次性评估

　　为全面验证该方法的性能与实用性，研究团队挑选了六个具有代表性的胸部X光片数据集开展评估工作。这些数据集来源广泛、类型多样，不仅囊括了胸部多病理分类、尘肺病分类、肺炎分类等针对不同疾病类型的分类任务，还涉及胸部器官分割以及病灶分割等关键性下游任务，为方法的综合评估提供了丰富且全面的测试场景。实验结果表明：该方法所学习到的解剖表征在多尺度条件下展现出了高度的一致性与层次性;同时，这些表征对多种下游任务展现出了强大的迁移能力，对下游多种分类和分割任务有普遍的促进作用。

　　该研究得到了国家自然科学基金面上项目(62476190、U21A20469)和山西省科技创新人才团队专项资助(202304051001009)。