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

IEEE TRANSACTIONS ON MEDICAL IMAGING文献跟踪

2021年12月 •  40卷 • 第10期

可视化分析：

实验方式：                      实验定位：

      

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