MEDICAL IMAGE ANALYSIS文献跟踪

MEDICAL IMAGE ANALYSIS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	研究部位及方向	数据集	对象	实验环境	实验方法	亮点
001_A new baseline for retinal vessel segmentation: Numerical identification and correction of methodological inconsistencies affecting 10 0+ papers（是）（3.5）	部位：视网膜 方向：分割	原始数据、分析的实现和结果在 github 保存 https://github.com/gykovacs/retina /血管分割中共享	人	软硬结合	包括超过100篇论文在内，本文对已发表的成绩分数的一致性进行了详细的数值分析。 发现与使用视野 (FoV) 相关的报告分数不一致，这对性能分数有重大影响。本文尝试使用数值技术消除偏差，以提供更真实的现有技术图景。试图用数字技术消除偏见，以提供一个更现实的国家的艺术图片。	尽管有明确的驱力测试集，发表的论文中的大多数排名是基于不可比较的数字; 与文献中报道的近乎完美的准确分数相比，迄今为止在FoV 区域取得的最高准确分数是0.9582，比人类注释器的准确分数高1% 。
002_Spine-transformers: Vertebra labeling and segmentation in arbitrary field-of-view spine CTs via 3D transformers（无）（4）	部位：脊椎 方向：分割	VerSe 2019 challenge数据集	人	软件	针对任意视场(Field-Of-View ，FOV)CT 图像中3D椎体的全自动标记和分割问题。本文提出一个基于深度学习的两阶段解决方案来解决这两个问题。 在第一阶段，具有挑战性的椎体标记问题是通过一种新颖的基于transformers的3D物体检测器解决的，该检测器将自动检测任意FOV CT扫描的椎骨视为一对一的预测问题。 这种称为 Spine-Transformers(脊椎转换器) 的新方法的主要组成部分是基于一对一集合的全局损失，其迫使独特的预测和轻重3d Transformer结构配备了跳过连接和可学习的位置嵌入编码器和解码器。 在第二阶段，通过训练一个针对所有椎骨的多任务编码器网络，对所识别的椎骨进行分割和检测中心的精化，因为该网络不需要识别它正在工作的椎骨。	两阶段共享同一个编码器路径，但解码器路径不同。
003_Bayesian logistic shape model inference: Application to cochlear image segmentation（否）（2）	部位：耳蜗结构 方向：分割	1.尼斯大学医院放射科的210例患者的螺旋CT 颞骨图像； 2. 尼斯大学医院的面部和颈部研究所采集的 9 幅尸体耳蜗螺旋 CT 图像； 3.22 个骨迷路 CT 图像及其相应的 μCT 图像	人	软硬结合	在本文中，我们解决了用于分割医学图像的参数形状模型的贝叶斯推理，目的是提供可解释的结果。 所提出的框架通过逻辑函数定义了基于通用形状函数的似然出现概率和先验标签概率。 sigmoid 中定义的参考长度参数控制着形状和外观信息之间的权衡。 该框架应用于10 参数形状模型约束的临床 CT 图像中分割耳蜗结构。	结果表明，其性能可与监督方法相媲美，并且优于先前提出的无监督方法。它还可以分析参数分布和量化分割不确定性，包括形状模型的影响。
004_DGMSNet: Spine segmentation for MR image by a detection-guided mixe d-supervise d segmentation network（否）（4）	部位：脊柱 方向：分割	DGMSNet架构： 1.生成分割预测的分割路径（左） 分割编码器的架构是DeepLabv3+的改进编码器，类似于deep convNet 。与 deep convNet 不同，分割编码器是一个 2D 网络，在第三个可分离卷积层中生成低级分割特征图以节省内存成本，因此低级分割特征图的步幅为 4 而不是 2。 2.用于生成关键点热图预测的检测路径（右，编码）组成 检测编码器旨在生成低级检测特征图 和高级检测特征图 。为简单起见，检测编码器的架构与分割编码器相同 数据集： Dataset-A 由一个强监督数据集和一个弱监督数据集组成(当地医院收集) Dataset-B 与数据集 A 共享弱监督数据集。	人	软件	在本文中，我们提出了一种新颖的检测引导混合监督分割网络（DGMSNet）来实现自动脊椎分割。 DGMSNet 由用于生成脊柱分割预测的分割路径和用于生成热图预测的检测路径（即回归网络）组成关键点。 在检测路径中引入检测引导学习器以生成动态参数，该参数用于通过自适应卷积生成用于分割路径的语义特征图。	在训练期间，使用各种损失权重训练一系列模型。 在推理中，提出了一种检测引导的标签融合方法，根据分割路径和检测路径的预测的一致性，整合这些训练模型生成的分割预测。
005_High resolution histopathology image generation and segmentation through adversarial training（否）（2）	部位：组织病理学图像 方向：分割	GlaS 数据集、 前列腺 Gleason 分级数据集	人	软硬结合	提出了一种用于高分辨率、大规模组织病理学图像生成和分割的多尺度条件 生成对抗网络(GAN) 。 本文模型由 GAN 结构的金字塔组成，每个结构负责生成和分割不同尺度的图像。使用语义掩码，	本文模型的生成组件能够合成视觉逼真的组织病理学图像。我们证明这些合成图像及其掩码可用于提高分割性能，尤其是在半监督场景中。
006_Vessel-CAPTCHA: An efficient learning framework for vessel annotation and segmentation（否）（2）	部位：血管 方向：分割	1.Synthetic、 2.Time-of-Flight (TOF) angiography 3.血管造影和磁敏感加权图像（Susceptibility-Weighted Images ，SWI)	人	软件	提出了一种新颖的注释高效深度学习血管分割框架。该框架避免了逐像素注释，只需要弱补丁级别标签来区分训练集中的血管和非血管 2D 补丁，其设置类似于用于在 Web 应用程序中区分人类和机器人的 CAPTCHA。 用户提供的弱注释用于两个任务：（1）合成每个补丁中血管和背景的像素级伪标签，用于训练分割网络，以及（2）训练分类器网络。分类器网络允许生成额外的弱补丁标签，进一步减少注释负担，并且它可以作为对低质量图像的第二意见。我们使用此框架在飞行时间血管造影 (TOF) 和磁敏感加权图像 (SWI) 中分割脑血管树。	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。