2021年11月_IEEE TRANSACTIONS ON MEDICAL IMAGING_科技前言热点调研表_热点榜单热点调研表

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

001_Active Cell Appearance Model Induced

Generative Adversarial Networks for

Annotation-Efficient Cell Segmentation

and Identification on Adaptive

Optics Retinal Images/(否)（3）

视网膜细胞

本文方法、自采

人

软硬结合

本文介绍了一种有效生成带注释图像的方法，称为“ a-gans”，这种方法是将活动细胞外观模型(acam)与条件生成对抗性网络(c-gans)相结合创建的。

首先，Acam 是一个统计模型，可以捕捉细胞特征的真实范围，并用于确保生成的细胞的图像统计由真实数据引导。C-gans 利用 acam 生成的细胞轮廓来生成匹配输入轮廓的细胞。通过将生成的轮廓与基于 a-gans 的图像配对，可以有效地生成高质量的注释图像。

其次，自适应光学(adaptive optics，ao)视网膜图像的实验结果表明，a-gans 鲁棒地合成逼真的人工图像，其细胞分布由 acam 精确指定。结合248幅人工生成的 a-gans 图像，使用少至64幅人工注释的真实 ao 图像进行细胞分割，其分割效果与单独使用248幅人工注释的真实图像相似(两者的分割系数均为88%)。

最后，应用于罕见疾病的图像显示从来没有看到的特点，显示了细胞分割的改进，无需纳入这些新的视网膜图像的手动注释。

本文提出了一套提高数据注释效率的策略，用于建立用于深度学习的训练和测试数据集，以及改进基于深度学习的模型的训练，如细胞分割。

002_Anatomic and Molecular MR Image Synthesis

Using Confidence Guided CNNs（是）（2.5）

脑肿瘤

本文方法、自采（MR）

人

软硬结合

本文探讨了解剖学和分子MR图像网络(samr)在治疗后恶性胶质瘤患者中的合成。

提出的方法是一个自动的，低成本的解决方案，它能够产生高质量的数据与不同的内容，可用于训练数据驱动的方法。

003_Boundary-Aware Supervoxel-Level Iteratively Refined Interactive 3D Image Segmentation With Multi-Agent Reinforcement Learning（否）（2）

脑肿瘤

左心房

BraTS2015

BraTS2019

MM-WHS(左心房血腔（LA）)

NCI-ISBI2013

人

软硬结合

建议使用马尔可夫决策过程（MDP）对迭代交互式图像分割进行建模，并使用强化学习（RL）来解决它，其中每个体素被视为一个代理。主动将图像分割任务视为每个体素的 RL 问题，并显式地对交互式分割的动态过程进行建模，以便在每次迭代中获得快速改进。

结果表明，它比自动和交互式最先进的方法表现更好，并且对各种数据集具有鲁棒性。

004_Contour Transformer Network for One-Shot Segmentation of Anatomical Structures（否）（3.5）

膝关节，

肺，

指骨

髋关节

本文方法、自采（X-Ray）

本文方法、自采（CT）

人

人

软件

提出了轮廓变换网络(Contour Transformer

Network ,CTN) ，一个一次性解剖分割方法与自然内置的人在环机制。

将解剖分割制定为轮廓演化过程，并通过图卷积网络（GCN）对演化行为进行建模。训练 CTN 模型只需要一个标记的图像样本，并通过新引入的损失函数来利用额外的未标记数据，这些损失函数测量轮廓的全局形状和外观一致性。在四种不同解剖结构的分割任务上

ctn 采用了一种半监督的训练策略，该策略通过测量未标记图像和样本图像的分割之间的相似度来衡量损失。

Ctn 分割方法与现有的大多数分割方法(单镜头分割和监督分割)的一个关键区别是，ctn 模型分割作为轮廓，并学习轮廓演化行为。使用轮廓表示可以直接比较分割结果的形状，以及测量沿分割边界的视觉外观的相似性。

005_Few-Shot Learning by a Cascaded Framework

With Shape-Constrained Pseudo Label

Assessment for Whole Heart Segmentation（否）（2）

心脏

MM-WHS 2017挑战的 CTA 数据集

人

软件

提出了一种新颖的、易于实现的半监督分割级联框架，结合了半监督学习和自我训练的思想。并成功地应用于图像分割

在 40 MM-WHS 测试数据和一些私人数据上广泛评估了我们的方法。 多中心数据的准确结果证明了其有效性和泛化能力。

006_Generalized Zero-Shot Chest X-Ray Diagnosis

Through T rait-Guided Multi-View Semantic

Embedding With Self-T raining（否）（2）

胸部 x-ray数据集  

来自三个不同数据集

；(1)the NIH chest x-ray dataset（NIH）、

(2)Open-i dataset、

(3)PubMed Central  (PMC)

鼠

鼠

软硬结合

设计了一个新的策略，广义零射诊断胸片。在这个过程中，可以看到多视图语义嵌入的潜力，这是一个对 zsl (Zero-shot learning ,零射学习)来说很有用但很少被探索的方向。也融入了自我训练，逐步解决了噪音标签的问题，同时提高了在训练中没有见过的班级的表现。

通过自我训练，该模型的性能得到了提高，这有助于处理标签中的噪音，同时也提高了未知类别的性能。。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

 007_Looking for Abnormalities in Mammograms With

Self- and Weakly Supervised Reconstruction（否）（2）

乳腺

INBreast dataset 、Full Field Digital Mammography (FFDM)

数据集

人

软件

   结合病理学的领域知识和临床上可用的图像标签，提出一个混合自我和弱监督式学习框架异常重建。为了提高解释能力，还引入了一种基于重构区域的辅助分类任务。使用高分辨率成像技术，使网络能够捕捉到不同的发现，包括肿块、微钙化、扭曲和不对称。

本文的方法基于单核架构，具有分类、检测和分割能力，适合临床使用。

008_Self-Path: Self-Supervision for Classification of

Pathology Images With Limited Annotations（是）（2）

乳腺癌淋巴结、大肠癌

Camelyon 16 challenge数据集、

LNM-OSCC数据集

Kathe 数据集

人

软件

提出了一个自监督的卷积神经网络(cnn)框架来利用未标记的数据来学习病理图像中可概括的和域不变的表示。

(1)提出的自我路径学习框架，采用了以组织分类为主要任务的多任务学习方法，并且假定任务是一种与输入图像相关的自监督任务。

(2)介绍了一种新的病理学——特定的自我监视任务，这种任务利用非半监督学习的、多分辨率的和语义特征的病理学图像来进行病理学和结构域适配。

这种病理学特定的自我监督任务可以提高半监督学习和领域适应的分类性能。

009_A Coarse-to-Fine Deformable Transformation Framework for Unsupervised Multi-Contrast MR Image Registration With Dual

Consistency Constraint（否）（3）

脑，中风病灶

贵州省人民医院多重对比MR数据

人

软件

提出了一种新的基于无监督学习的框架，以实现准确高效的多对比度 MR 图像配准。具体而言，设计了一种由仿射和可变形变换组成的端到端从粗到精的网络架构，以提高鲁棒性并实现端到端注册。

此外，还开发了双重一致性约束和新的基于先验知识的损失函数以提高配准性能。

该方法将仿射变换网络嵌入到变形变换网络中，不仅提高了多对比度先生图像配准的性能，而且降低了配准过程的时间要求。

010_A Unified Framework for Generalized Low-Shot

Medical Image Segmentation

With Scarce Data（否）（2.5）

脑组织/腹部多器官分割

RBrainS18和the Beyond the Cranial

V ault (BTCV)，CT

人

软件

提出了一个统一的框架，用于基于距离度量学习（DML）的广义低镜头（单镜头和少镜头）医学图像分割。

（1）通过 DML，该框架为每个类别学习多模态混合表示，并根据像素的深度嵌入和类别表示之间的余弦距离执行密集预测。多模态表示有效地利用了学科间的相似性和类内的变化来克服由于数据极其有限而导致的过度拟合。

（2）多模态混合分布提出了自适应混合系数，以自适应地强调更适合当前输入的模式。这些表示被隐式嵌入了权重软件层，这样可以通过前向传播有效地计算余弦距离。

该框架适用于两者的极度稀缺，这是罕见疾病的理想选择。

011_Annotation-Efficient Learning for Medical Image

Segmentation Based on Noisy Pseudo Labels

and Adversarial Learning（否）（2）

肺部分割

肝脏分割

日本放射技术协会的数据集(Japanese

Society of Radiological Technology (JSRT))、

以及ISBI

2019 CHAOS Challenge

人

软件

提出了一种用于分割任务的注释高效学习框架，该框架避免了训练图像的注释，其中使用改进的循环一致生成对抗网络（GAN）从一组未配对的医学图像和辅助掩码中学习从形状模型或公共数据集获得。

首先在辅助掩码的帮助下使用基于变分自动编码器（VAE）的鉴别器表示的隐式高级形状约束下的 GAN 为训练图像生成伪标签，并构建鉴别器引导生成器通道校准（ DGCC) 模块，它使用本文鉴别器的反馈来校准生成器以获得更好的伪标签。

为了从有噪声的伪标签中学习，进一步引入了一种使用噪声加权 Dice 损失的噪声鲁棒迭代学习方法。

实验结果证明

1）基于 VAE 的鉴别器和 DGCC模块有助于获得高质量的伪标签。

 2）提出的噪声鲁棒学习方法可以有效地克服噪声伪标签的影响。

 3）本文方法在不使用训练图像注释的情况下的分割性能接近甚至可以与从人类注释中学习的分割性能相媲美。

012_Bidirectional Mapping-Based Domain Adaptation

for Nucleus Detection in Cross-Modality

Microscopy Images (否)（2）

细胞核

三个显微图像数据集

 (1)结肠癌组织学图像、

(2)染色荧光显微图像采集集、

(3)染色的胰腺神经内分泌肿瘤(net)图像(由IHC标记)

人

软件

提出了一种双向的、对抗性的域适应方法，用于跨模态显微镜图像数据的核检测。

该方法学习了一个深度回归模型，用于个体核检测。源到目标和目标到源的图像转换。

此外，本文明确地将这种无监督域适应方法扩展到半监督学习情况，并进一步提高核检测性能。

在一个对抗性的图像到图像转换框架内，它利用现有的标记源数据学习源域检测器，并利用该检测器在适应的目标图像上生成伪节点。

013_Diminishing Uncertainty Within the T raining Pool:

Active Learning for Medical Image Segmentation（否）（2.5）

胰腺和肿瘤分割(CT)

海马数据集(MRI)

医学分割十项全能(medical segmentation decathlon ,MSD)

人

软件

探索了医学成像数据集分割任务的主动学习。

使用两个数据集来研究所提出的框架：1.) 海马体的 MRI 扫描；2.) 胰腺和肿瘤的 CT 扫描。

提出了三个主动学习的新策略:

 1)增加不确定数据的频率，使训练数据集产生偏差;

2)利用输入图像之间的互信息作为采集的调节器，保证训练数据集的多样性;

3)自适应双向交互式梯度下降(svgd)。

提出的主动学习框架可以利用高度不确定的数据点的模型不确定性增加其频率在训练池,这样做可以降低使用深度学习建立医学影像分割模型的标注成本。

014_IFSS-Net: Interactive Few-Shot Siamese Network for Faster Muscle Segmentation and Propagation in Volumetric Ultrasound（否）（3）

肌肉

与 Crouzieret.al合作

人

软件

提出了一种准确、快速和有效的方法，用于在 3D 手绘超声数据中进行分割和肌肉掩模传播，以实现准确的体积量化。(1)部署了一个深度连体 3D 编码器-解码器网络，该网络可捕获连续切片的肌肉外观和形状的演变。我们使用它来传播由临床专家注释的参考掩码。

(2)为了处理整个体积上肌肉形状的较长变化并提供准确的传播，我们设计了一个双向长短期记忆模块。

(3)此外，为了用最少的训练样本训练我们的模型，我们提出了一种策略，将从少数带注释的 2D 超声切片中学习与未注释切片的连续伪标记相结合。

(4)引入了目标函数的递减更新，以在没有大量注释数据的情况下指导模型收敛。在训练了几卷之后，递减更新策略从弱监督训练切换到几次射击设置。

(5)最后，为了处理前景和背景肌肉像素之间的类别不平衡，我们提出了一个参数化的 Tversky 损失函数，它学习自适应地惩罚误报和漏报。

部署了几种策略（带有子卷循环的连体网络、Bi-CLSTM、3D ACS 和伪标记）来利用这些数据的时空一致性。由此产生的 IFSS-Net 允许在整个卷/序列上传播少量参考注释，同时最大限度地减少培训期间的专家工作。

015_Interactive Few-Shot Learning: Limited

Supervision, Better Medical

Image Segmentation（否）(4)

肾脏、肝脏、胃

KiTS19 challenge

和 LiTS challenge

人

软件

开发了一种新颖的少镜头分割方法，称为交互式少镜头学习（IFSL），它不仅解决了医学图像分割模型的注释负担，还解决了常见问题已知的少镜头分割方法。

IFSL 方法是第一个允许以交互和可控的方式针对目标任务优化和加强少镜头分割模型的方法。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

016_Interpretability-Driven Sample Selection Using

Self Supervised Learning for Disease

Classification and Segmentation（否）（4）

肺部疾病分割、组织病理学分割

肺部：NIH ChestXray14

病理学：GLAS 数字组织病理学图像集

人

人

软件

提出了一种新颖的样本选择方法，该方法基于利用可解释性显着图中包含的信息的深度特征。

在信息样本没有真实标签的情况下，使用一种新颖的基于自我监督学习的方法来训练分类器，该分类器学习识别给定批次图像中信息量最大的样本。

本文分析了三种不同的方法来从可解释性驱动的样本选择（IDEAL）中确定样本信息：

（i）一个观察模型，该模型源于先前基于不确定性的样本选择方法的发现，

（ii）一个基于放射组学的模型，

（iii）一种新的数据驱动的自我监督方法。

017_Dual-T eacher++: Exploiting Intra-Domain and

Inter-Domain Knowledge With Reliable

T ransfer for Cardiac Segmentation（是）（5）

心脏亚结构

MM-WHS

2017 dataset

人

软件

提出了一个前沿的半监督域适应框架，即 Dual-Teacher++。还设计了新颖的Dual-Teacher模型，包括一个跨域Teache模型来探索来自源域（例如 MR ) 和域内教师模型来调查未标记目标域下的知识。

在外观对齐后增强与目标域相似度较高的样本的域间知识转移，并加强具有更高预测置信度的未标记目标数据的域内知识转移.

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

018_Label-Free Segmentation of COVID-19

Lesions in Lung CT（否）（3）

肺部

COVID-19

Lesions in Lung CT

人

软件

提出了一种无注释的方法，通过体素级异常模型挖掘正常 ct 肺部扫描的相关知识，将 ct 2019冠状病毒疾病病变分割出来。

建模灵感来自于观察到的气管和血管的部分，位于病变所属的高强度范围内，呈现出强烈的模式。为了便于在体素水平上学习这些模式，我们使用一系列简单的操作合成“损伤”，并将合成的“损伤”插入正常 ct 肺部扫描，形成训练对，从中我们学习一个正常识别网络(normnet) ，该网络识别正常组织并将其与可能的2019冠状病毒疾病损伤分开。

019_Learning Hierarchical Attention for

Weakly-Supervised Chest X-Ray

Abnormality Localization and Diagnosis（否）(4)

胸部

NIH ChestX-ray14 和 CheXpert(X-ray)

人

软件

通过一种新的注意力驱动弱监督算法解决这些问题迈出了一步，该算法包括一个分层注意力挖掘框架，该框架以整体方式统一基于激活和梯度的视觉注意力。

关键算法创新包括显式顺序注意约束的设计，以弱监督的方式实现有原则的模型训练，同时还通过定位线索促进视觉注意驱动模型解释的生成。

020_Learning Inductive Attention Guidance for

Partially Supervised Pancreatic Ductal

Adenocarcinoma Prediction（否）（3）

胰腺(CT)

肿瘤(pdac 病例)

自采、OCT

自采、OCT

自采、OCT

自采、OCT

自采、OCT

人

人

人

人

软硬结合

提出了一个归纳注意指导网络（IAG-Net）来联合学习一个用于正常/PDAC 分类的全局图像级分类器和一个用于半监督 PDAC 分割的局部体素级分类器。

对于基于局部 MIL 的半监督 PDAC 分割，注意力引导是诱导性的，它不仅为训练数据提供袋级伪标签，而无需为 MIL 训练提供每体素注释，而且还充当实例级分类器的代理。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

021_Leveraging Regular Fundus Images for T raining

UWF Fundus Diagnosis Models via Adversarial

Learning and Pseudo-Labeling（否）（3）

眼睛

手术针

肿瘤

两个数据集域(常规眼底图像作为源域和 uwf 眼底图像作为目标域

人

软件

建议使用一个改进的循环生成对抗性网络(cyclegg)模型，以弥补正常眼底与 uwf 眼底之间的差距，并生成额外的 uwf 眼底图像用于训练。为了改善和调节生成数据的质量，提出了一种基于相容性正则化的数据丢失方法。

本文的方法不需要两个域的图像配对，甚至语义标签是相同的，这为数据收集提供了极大的方便。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

022_Looking for Abnormalities in Mammograms With

Self- and Weakly Supervised Reconstruction（否）（2.5）

乳腺

INBreast dataset、

私有的全场数字乳腺摄影(Full Field Digital Mammography ，FFDM)

人

软件

结合病理学的领域知识和临床上可用的图像标签，提出一个混合自我和弱监督式学习框架异常重建。为了提高解释能力，还引入了一种基于重构区域的辅助分类任务。

使用高分辨率成像技术，使我们的网络能够捕捉到不同的发现，包括肿块、微钙化、扭曲和不对称，不像大多数最先进的作品，主要集中在肿块上。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

023_Memory-Augmented Capsule Network for

Adaptable Lung Nodule Classification（否）（2）

肺结节和意外感染的样本

结节数据集

LUNA-16 Lung Nodule 数据集、

Collected Lung Nodule数据集、

Collected Incidental Lung Nodule数据集

人

软件

提出了一种记忆增强胶囊网络的快速适应 cad 模型的新领域。它包括从高维输入中提取特征嵌入的胶囊网络和从目标域中利用其存储的知识的记忆增强任务网络。

本文的网络能够有效地适应看不见的领域只使用少数注释样本。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

024_Multi-T ask Multi-Domain Learning for Digital

Staining and Classification of Leukocytes（否）（2.5）

白血细胞

自采

人

软件

提出了一种方法，将未染色的图像转换为具有真实感的染色图像，保留细胞间的结构，这对于医学专家进行分类至关重要。通过添加分割和直接重建的辅助任务，实现了较好的结构保持。

通过直接向生成器注入目标域标签，即绕过编码器，构建了一个健壮的域不可知潜在空间。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

025_Noise-Powered Disentangled Representation for

Unsupervised Speckle Reduction of Optical

Coherence T omography Images（是）（5）

眼睛

A2A SDOCT study、

Age-Related Eye Disease Study 2

(AREDS2) Ancillary SDOCT (A2A SDOCT)

人

软件

提出了一种不依赖于良好配准图像对的无监督 oct 图像斑点抑制算法。该方法首先利用编码器将噪声图像分解为内容空间和噪声空间，然后利用非纠缠表示和产生式对抗网络的思想，将噪声图像分解为内容空间和噪声空间。然后，利用提取的内容特征对去噪后的 oct 图像进行预测。

本文提出的方法在定量和定性方面均优于传统的学习方法，具有良好的性能。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

026_Self-Attentive Spatial Adaptive Normalization for

Cross-Modality Domain Adaptation（否）（4）

心脏、

大脑

Whole-Heart Segmentation数据集、Multimodal Brain T umor Segmentation 数据集（MRI、CT）

人

软件

提出了一种新的方法，用于医学图像中的图像到图像的翻译，能够监督或非监督(未配对的图像数据)设置。

在对抗训练的基础上，提出了一种可学习的深度卷积生成器网络的中间激活的自注意空间归一化。

与之前基于注意力的图像到图像的翻译方法不同，这些方法要么是领域特定的，要么需要源域结构的扭曲，本文发现了辅助语义信息在图像翻译过程中处理几何变化和保存解剖结构的重要性。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

027_Self-Supervised Attention Mechanism for

Pediatric Bone Age Assessment With Efficient

Weak Annotation（是）（4）

骨骼

RSNA Pediatric

Bone Age Challenge数据集

人

软件

提出了一种新的自监督学习机制，可以有效地发现信息量较大的图像标注，而不需要额外的知识和精确的标注。

该模型由一个用于区分玫瑰发现的部分提取智能体和一个用于年龄评估的年龄识别智能体组成，称为部分提取和年龄识别网络。

据我们所知，这是第一种仅用图像级注释就能自动发现骨龄的端到端评估方法。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

028_T ransferable Visual Words: Exploiting the

Semantics of Anatomical Patterns for

Self-Supervised Learning（是）（4）

胸部疾病分类(dxc)、气胸分割(pxs)和肺结节假阳性复位(ncc

自采

人

软件

本文介绍了一个名为“可转移视觉词”（TransVW）的新概念，旨在实现医学图像分析中深度学习的注释效率。

这些视觉词可以通过自我发现根据解剖一致性自动收集，并且自我发现的视觉词可以作为强大而自由的监督信号，用于深度模型通过自我学习语义丰富的通用图像表示

TransVW 有几个重要的优点，包括：

（1）TransVW 是一个完全自学的方案，它利用视觉词的语义进行自监督学习，不需要专家注释；

(2) 视觉词学习是一种附加策略，它补充了现有的自监督方法，提高了它们的性能；

(3) 学习的图像表示是语义丰富的模型，已被证明更健壮和可推广，通过迁移学习为各种应用节省了注释工作。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

029_Unsupervised Domain Adaptation From Axial to

Short-Axis Multi-Slice Cardiac MR Images by

Incorporating Pretrained Task Networks（是）（4）

心脏

T etralogy of Fallot数据集、自动心脏诊断挑战(Automatic Cardiac Diagnosis Challenge，ACDC)数据集

人

软件

提出了一种新的无监督域适应方法，它在注意力机制中使用与任务相关的概率。

除此之外，当自动将 AX 图像重新采样到 SAX 方向时，循环一致性被施加到学习的患者个体 3D 刚性变换上以提高稳定性。

本文的预训练任务模块既没有看到 CMR 图像也没有看到来自目标域的标签，但是能够在域间隙减少后对它们进行分割。

文献名/代码开源/推荐

研究部位

数据集

对象

实验环境

实验方法

亮点

030_Weakly Supervised Cell Segmentation

by Point Annotation（否）（3）

细胞

来自 ISBI细胞分割挑战的 PHC 数据集、

Phase100数据集

人

软件

提出了弱监督训练方案来训练端到端的细胞分割网络，该网络只需要每个细胞一个单点注释作为训练标签，并使用细胞上的掩码注释生成接近于那些完全监督方法的高质量分割掩码。使用点注释研究了三种训练方案来训练细胞分割网络。

首先，执行自我训练以学习注释点附近的附加信息。

接下来，使用相互监督的多个网络应用协同训练来学习更多的细胞区域。

最后，提出了一种混合训练方案，以利用自训练和联合训练的优势。

训练过程中，提出了一个散度损失来避免过度拟合，并提出一个一致性损失来强制多个联合训练网络之间的共识。此外，提出了人在循环中的弱监督学习，旨在同时实现高分割精度和注释效率。