本文介绍了医学影像顶刊TMI 2024年1月（下）的16篇论文。涉及模式感知Transformer、层次化实例对比学习等多种技术，应用于医学图像的序列建模、少数类别检测、疾病识别、图像重建、异常检测等任务，部分模型在多个基准测试中表现优异。
来源：医学影像顶刊TMI速递|2024年01月(下) (qq.com)
目录：
1.模式感知Transformer：序列医学图像中的分层模式传播。（上海AILab张少霆）
2.层次化实例对比学习在不平衡医学数据集上的少数类别检测。（北邮Qicheng Lao）
3.开发可解释深度模型以发现神经动力学的新控制机制。（UNC吴国荣）
4.全方位单体标记用于封闭MRI中术中基于MR的位置感应。（港大Ka-Wai Kwok）
5.CathEye：一种用于图像引导心血管手术的前视超声导管。（多伦多城市大学M. Ali Tavallaei）
6.使用未配对图像到图像翻译的核意识自监督预训练在组织病理学图像中的应用（北航许燕）
7.基于多尺度融合和Transformer的OCT图像斑点噪声降低方法：一种基于配准引导的策略（苏州大学Xinjian Chen）
8.OSCNet：面向CT金属伪影学习的方向共享卷积网络。（腾讯郑冶枫）
9.基于对抗性训练的持久同调图卷积网络的脑连通性疾病识别。（青岛大学Qian Dong）
10.DTR-Net：从全景X光图像重建双空间三维牙齿模型。（上科大沈定刚）
11.从多模式数据中预测疾病轨迹的临床启发多智能体Transformer（芬兰奥卢大学医院神经中心Aleksei Tiulpin）
12.AIROGS：人工智能促进强有力的青光眼筛查挑战赛（阿姆斯特丹大学Clara I. Sánchez）
13.基于深度模态先验的联合交叉注意网络快速MRI重建。（上科大沈定刚）
14.RibSegv2：一种用于肋骨标记和解剖中心线提取的大规模基准。（复旦Ming Li）
15.ReconFormer: 利用递归Transformer加速MRI重建。（JHU Vishal M. Patel）
16.基于自监督多尺度裁剪和简单掩模焦点预测的肺部CT扫描异常检测。(港中文深圳张大鹏)
No.1 Pattern-Aware Transformer: Hierarchical Pattern Propagation in Sequential Medical Images
-
标题：模式感知变换器：序列医学图像中的分层模式传播。（上海AILab张少霆）
-
标签：模式感知变压器，视频对象检测，3D语义分割，序列建模
论文探讨了如何在医学成像任务中有效挖掘序列图像之间的上下文信息，并对其进行联合建模。与通过逐点标记编码来建模序列相关性的现有方法不同，该论文提出了一种新颖的分层模式感知标记化策略。这种策略独立且分层地处理不同的视觉模式，不仅确保了在不同模式表示下的注意力聚合的完全灵活性，而且还能够同时保留局部和全局信息。
基于这一策略，论文提出了一个名为Pattern-Aware Transformer (PATrans) 的模型，该模型具有全局-局部双路径模式感知交叉注意力机制，能够在序列图像之间实现分层模式匹配和传播。此外，PATrans是一个即插即用模型，可以无缝集成到各种不同的基础网络中，用于多种下游序列建模任务。 
论文还展示了PATrans在视频对象检测和3D体积语义分割任务的四个领域和五个基准测试中的通用应用范式。令人印象深刻的是，PATrans在所有这些基准测试中都设定了新的最佳水平，例如CVC-Video（92.3%检测F1）、ASU-Mayo（99.1%定位F1）、肺肿瘤（78.59% DSC）、鼻咽肿瘤（75.50% DSC）和肾肿瘤（87.53% DSC）。code：GGaoxiang/PATrans (github.com)
No.2 Hierarchical-Instance Contrastive Learning for Minority Detection on Imbalanced Medical Datasets
-
标题：层次化实例对比学习在不平衡医学数据集上的少数类别检测。（北邮Qicheng Lao）
-
标签：数据不平衡，异常检测，分层实例
论文针对深度学习方法在医学成像中常遇到的一些问题，如数据不平衡和对数据的高需求，提出了一种新的解决方案。在医学成像中，恶性或罕见疾病通常是数据集中的少数类别，其特点是分布多样化。此外，少数类别的标签不足和未见案例也为训练带来了难题。
为了解决这些问题，论文提出了一种名为Hierarchical-instance Contrastive Learning (HCLe) 的方法，该方法在训练阶段仅涉及多数类别的数据。为了解决多数类别内部分布不一致的问题，该方法引入了两个分支：第一个分支使用带有三个约束函数的自编码网络来有效提取图像级特征；第二个分支设计了一个新颖的对比学习网络，考虑到多数类别层次样本间特征的一致性。
为了进一步提高方法的准确性，该方法还结合了多样化的小批量策略，使得在多种条件下都能识别少数类别。论文通过在三种不同疾病和模态的数据集上进行广泛的实验来评估所提出的方法。实验结果表明，该方法的性能超过了现有的最先进方法。
这篇论文提供了一种新的视角和方法，用于在不平衡的医学数据集中检测少数类别，这对于提高医学成像分析的准确性和效率具有重要意义。
No.3 Developing Explainable Deep Model for Discovering Novel Control Mechanism of Neuro-Dynamics
-
标题：开发可解释深度模型以发现神经动力学的新控制机制。（UNC吴国荣）
-
标签：阿尔兹海默症
最低0.47元/天 解锁文章
扫一扫
149
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
