近日,医学部倪东教授团队在医学图像分析领域的顶级期刊《Medical Image Analysis》（IF:11.148）上发表论文“Contrastive Rendering with Semi-supervised Learning for Ovary and Follicle Segmentation from 3D Ultrasound”。该工作为倪东教授团队和广州医科大学第三附属医院合作完成。倪东教授和广州医科大学第三附属医院陈志毅主任为共同通讯作者，杨鑫博士和倪东老师的硕士研究生李浩铭为共同第一作者。

国内目前对于女性生殖相关的临床检测需求日益增加，而目前临床的主流检查诊断方式仍然以基于2D超声标准切面为主。然而，传统二维超声监测结果主观性强、准确性低。此外，当卵泡数量较多时，需要进行多次标准切面定位及测量的工作，导致整体的临床诊断效率降低。相比之下，三维超声下扫查卵巢并分析卵泡容积对操作者扫查手法要求低，可一次性获取所有卵泡的体积信息，以及准确直观地显示卵泡的实际立体形状，这大大提高卵泡监测的准确性和可重复性。

本研究提出了基于深度学习的快速高效的三维卵巢容积超声的自动分割算法（图2）。其通过自定义的对比学习机制和渲染模块（C-Rend）来精细化分割的卵巢和卵泡边界模糊区域，从而学习拥有细化边界的分割结果。此外，团队将提出的C-Rend与半监督学习框架进行集成，利用大量未标注的数据来进行训练来进一步提高网络分割性能。研究团队在具有部分注释的大型内部数据集上进行广泛验证，最终结果显示本研究团队的方法在卵巢和卵泡的各种评价指标上都优于其它最先进的方法。该方法具有时效性，可以有效提高超声检查诊断的效率和标准化。

该研究得到国家重点研发计划、深圳市孔雀计划等的资助。