近日，医学影像分析领域顶级会议第26届MICCAI国际会议（26th International Conference on Medical Image Computing & Computer Assisted Intervention）在加拿大温哥华举办。上海交通大学自动化系王利生教授团队学生刘羽晟、贺兰山等经过初赛及复赛，过关斩将，连获MICCAI国际挑战赛的两项挑战赛第一名，在国际舞台展现了交大学子的风采。

本次挑战赛旨在推动深度学习框架的发展，通过逐步扩大公开可用的三维注释 锥形束计算机断层扫描（简称：CBCT）扫描的数量来分割下牙槽神经。面对挑战赛所给出的大量稀疏标注数据和一部分密集标注数据，刘羽晟同学在与导师和队友多次讨论后，决定仅使用原始图像数据和密集标注数据，将混合监督问题转换为半监督问题。采用通用医学影像分割模型nnUNet作为下牙槽神经分割的基本网络模型，并用自训练方法进行半监督语义分割。此外，还设计了一种基于连通性和选择性的再训练策略，从而筛选更可信的伪标签。

实验结果表明，团队设计的基于自训练的下牙槽神经分割框架在2次迭代下获得了平均骰子相似系数（DSC）为0.7956、 95%豪斯多夫距离（HD95）为4.4905的优异成绩，在MICCAI 2023 ToothFairy竞赛中荣获第一名。其中，Dice系数、95% Hausdorff距离两项指标均位列第一名。

牙科全景图是临床中广泛应用的医学影像模态，它可以在一张x光片中展示整个牙弓线切面的口腔全景。通过全景图，医生可以方便地观察牙齿的排布情况，也可以对牙齿是否有疾病做出一些初步的判断。本项赛事旨在推动这一方向上深度学习算法的发展，为医生提供更加精确的辅助诊断，竞赛提供了总计3000多张牙科全景图相片，并包括三个不同层次的标注。参赛者们可以充分利用不同层次的标注，最终训练出一个模型，能够检测出可能有疾病的牙齿，并给出对应的疾病类型与牙齿序号。

团队把整个任务分解为两个子任务，分别是疾病牙齿检测和牙齿序号检测。疾病牙齿检测专注于检测出可能存在疾病的牙齿以及疾病类型；牙齿序号检测则负责标示出所有牙齿的序号。然后，使用基于IoU的投票算法对两者的结果进行融合，得到最终所需要的标签。实验结果表明，这一算法流程能够出色完成任务，复合标签的平均准确率指标（AP值）达到0.3995，另有多项细分领域的AP值排名位列第一，最终综合后的平均排名也位列第一。