医学图像分类_腾讯八篇论文入选顶级医学影像会议MICCAI ，涉及病理癌症图像分类等...

加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注 极市平台 公众号 ，回复 加群，立刻申请入群~

来源：腾讯AI实验室

本文将解读2019年医学影像AI领域国际顶会MICCAI中腾讯AI的入选论文。

医学影像AI领域的国际顶会 MICCAI 2019 将于10月13-17日在深圳举办。本届大会吸引了来自20个国家、134所全球顶级科研高校的权威研究团队，论文投稿数量创历史新高(上升63%)。大会秉承严苛标准，不仅看重方法上创新，更强调其临床价值，最终录取率约为 30% 。

大会内容覆盖计算病理学、脑疾病诊断、超声成像分析、智能化手术引导等多个领域，不仅关注疾病诊断，更强调疾病智能化的治疗引导，如智能化放射治疗及基于增强现实的手术引导策略等重点领域，同时还在深度学习、迁移学习、统计图谱、域自适应等热点方向开展专题研讨。

此次腾讯 AI 共计入选 8 篇论文，含腾讯 AI Lab 4 篇，腾讯优图实验室 4 篇，涉及病理癌症图像分类、医学影像分割、CT病灶检测等。以下为具体解读——

借助其他数据集辅助医学影像分类：评估迁移学习、多任务学习、半监督学习

Leveraging Other Datasets for Medical Imaging Classification: Evaluation of Transfer, Multi-task and Semi-supervised Learning

关键字：半监督学习，多任务学习，迁移学习

本文由腾讯AI Lab独立完成。基于深度学习的医学图像分类的一大挑战是训练数据少，一个解决方案是利用其他已有数据集辅助训练，包括利用其他任务有标数据的迁移学习、多任务学习，和利用同一任务无标数据的半监督学习。目前每个方法各自证明有效，但是否能结合以及每个方法适用场景还未知。

本文将三种方法整合在统一框架中，从而叠加各方法的贡献，并能公平对比不同场景下各方法的贡献。本文将半监督学习前沿的一致性约束算法(包括VAT和PI-model)，和广泛采用的多任务学习算法(hard parameter sharing)，整合在一个网络中(见下图)，采用交替任务的方式进行端到端的训练，通过初始点的设定融入迁移学习。

在胃镜图片良恶性分类问题上的一系列实验说明：单独使用时迁移学习提升性能最显著；迁移学习基础上，多任务学习在项目早期数据量较小时可进一步提高，而半监督学习可在较大数据量上持续提升；三者组合并利用大参数量网络可获得更好性能。本文可用来指导如何单独或组合使用迁移学习、多任务学习和半监督学习来提升医学分类模型的准确率。

针对H&E染色体色彩归一化的增强循环生成对抗网络

Enhanced Cycle-Consistent Generative Adversarial

Network for Color Normalization of H&E Stained Images