近日，研究中心硕士洪雁飞的一篇论文“MMCL-Net: Spinal Disease Diagnosis in Global Mode using Progressive Multi-task Joint Learning”被SCI期刊Neurocomputing接收。（论文链接地址：https://doi.org/10.1016/j.neucom.2020.01.112）

论文摘要：MRI上多个脊柱结构的同时检测、分割和分类对于在临床环境中多种脊柱疾病基于发病机理的早期诊断至关重要。当病灶区域及其邻近结构被同时检测到时，它会为放射科医生根据发病机理诊断该疾病提供更多帮助。显然，脊柱的多个结构是直接相互依存和相互影响的，而在深度卷积神经网络框架下的多重任务也可以相互影响。脊柱整体模式下的多任务联合优化是寻求上述潜在相关性的动态平衡的直接出口。在本文中，我们提出了一种新颖的端到端多任务多结构相关学习网络（Multi-task Multi-structure Correlation Learning Network, MMCL-Net），用于对三种类型脊柱结构（椎间盘，椎骨和椎间孔）的同时检测、分割和分类。并且对该模型进行局部优化以实现更稳定的动态平衡状态。对200名受试者的T1/T2加权MR扫描图像进行大量实验表明，MMCL-Net的mAP为0.9187，分类精度为90.67％，DICE系数为90.60％。实验结果表明，我们的方法的性能超出最新单任务算法结果。