近日，研究中心硕士生韩忠义一篇论文“Automated Pathogenesis-Based Diagnosis of Lumbar Neural Foraminal Stenosis via Deep Multiscale Multitask Learning”被Neuroinformatics刊发。

论文的源数据可以直接在谷歌云端硬盘下载，论文相关源代码及模型可直接点击Github下载。

论文摘要：病因诊断是预防和控制腰椎管狭窄症（LNFS）的关键步骤。它通过在病理因素和腰椎间狭窄之间的关键病理联系，进行早期诊断和综合评估。自动化的病原学诊断将同时定位和分级多个脊髓组织(神经孔、椎骨、椎间盘)来诊断LNFS并发现致病因素。自动化的方法有助于规划最佳的治疗计划和减轻临床医生的工作量。然而，因为(1)多重目标:每一个腰椎至少有17个靶器官，(2)多重尺度:每一种靶器官都有复杂的结构和不同的跨学科规模，以及(3)复杂的任务，即同时定位和诊断所有的腰椎器官，是极其困难的。由于其受到以上问题的巨大挑战，目前还没有人做出成功的自动化工作。为了解决这些巨大的挑战，我们提出了一个深度的多任务学习网络(DMML-Net)，将多尺度多输出学习和多任务回归学习集成到一个完全卷积网络中。(1)DMML-Net融合了语义表达来增强多个靶器官的显著性。(2)DMML-Net将多尺度卷积层扩展为多个输出层，以提高各个器官的标量不变性。(3)DMML-Net连接多任务回归模块和多任务损失模块，以促进任务之间的互利。大量的实验结果表明，DMML-Net从200个受试者的T1/ T2加权MRI扫描中获得了较高的性能(0.845平均精度)。这使我们的方法成为临床LNFS诊断的有效工具。