近期，深圳大学医学部生物医学工程学院汪天富教授团队的研究成果“3D Multi-attention Guided Multi-task Learning Network for Automatic Gastric Tumor Segmentation and Lymph Node Classification”在《IEEE Transactions on Medical Imaging 》 (JCR1区TOP,影响因子6.685)上发表。论文通讯作者是雷柏英副教授和马国林教授，第一作者是硕士研究生张永涛，深圳大学为第一署名单位，北京中日友好医院为合作单位。

由于CT扫描具有高成像密度分辨率、检查方便、速度快、无创等优点，其已成为胃癌的常规成像方式。然而，人工逐片检查是相当耗时的，并且严重依赖放射科医师的经验。因此，一个有效的CT图像计算机辅助诊断(CAD)系统对于协助医生选择合理的手术方法和预后计划至关重要，而现存的CAD系统并未有全面针对CT影像中胃癌的自动化分析研究。

该研究提出一种新的多注意力引导的多任务学习网络用于原发肿瘤的分割和淋巴结转移的分类，该网络可以充分利用从不同维度、尺度和任务中提取的互补信息。具体而言，我们利用卷积神经网络解决任务相关性和异质性问题，这个多任务网络包括尺度感知注意力引导的共享特征学习和任务感知注意力引导的特征学习，前者用于提取精细和通用的多尺度特征，后者用于从共享特征池进一步学习特定任务的区分特征。在我们收集的CT数据集上，该方法在分割任务中完成了63.0%的DSC分数，同时在分类任务中获得了82.3%的准确率。结果表明，该方法优于当前最先进的5种深度分割模型和最先进的6种深度分类模型。此外，对比单任务学习网络，该多任务学习网络能够进一步大幅提升淋巴结转移分类任务的准确率。

该研究获得了国家自然科学基金、广东省自然科学基金、深圳市重点基础研究发展计划等项目资助。

提出的多注意力引导的多任务学习网络流程图