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。
007_Relax and focus on brain tumor segmentation（否）（4）	部位：脑肿瘤 方向：分割	BRATS 2019 数据集 网络架构：由两个编码器组成，用于提取原始图像的特征和对应的对称差分图，然后将对称分支的注意图应用于原始特征图	人	软件	在本文中，我们提出了一种深度卷积神经网络 (CNN)，用于对 MRI 图像中的高级别和低级别神经胶质瘤进行全自动脑肿瘤分割。与通常具有固定位置或形状的正常组织或器官不同，不同级别的脑肿瘤在位置、大小、结构和形态学外观方面表现出很大的差异。 引入了一种混合模型来解决多模态多类脑肿瘤分割任务中的挑战。 首先，我们提出了动态焦点 Dice 损失函数，它能够在训练过程中更多地关注具有更复杂结构的较小肿瘤子区域，并且模型的学习能力根据其训练独立地动态分配到每个类不同训练阶段的表现。 此外，为了更好地识别脑肿瘤的整体结构和不同肿瘤亚区之间的形态关系，我们以粗到细的方式放松了内部肿瘤区域的边界约束。	此外，还提出了一个对称注意力分支，以从大脑中异常组织的生长和扩张引起的不对称特征中突出脑肿瘤的可能位置。 通常，为了平衡模型在空间细节和高级形态特征之间的学习能力，所提出的模型放宽了内部边界和复杂细节的约束，并更加关注肿瘤的形状、位置和更难的类别。 两个编码器组成，用于原始图像的特征提取和相应的对称差异图，然后将来自对称分支的注意力图应用于原始特征图。
008_Fully automated lumen and vessel contour segmentation in intravascular ultrasound datasets/(否)（2）	部位：血管 方向：分割	本文方法、自采	人	软硬结合	在本研究提出了一种机器学习方法来自动从 IVUS 数据集中提取管腔和血管边界。 所提出的方法依赖于深度神经网络的串联来提供初步分割，然后是高斯过程 (GP) 回归器来构建最终的管腔和血管轮廓。 多帧卷积神经网络 (MFCNN) 利用纵向相邻 IVUS 帧中存在的邻接信息，而 GP 回归方法过滤高维噪声，提供一致的轮廓表示。	提出的机器学习方法根据图像度量、轮廓度量和临床相关变量精确地分割肝脏，通过减少手工管理IVUS 数据集所涉及的成本，使其在临床常规中得到应用。
009_M 3 Net: A multi-scale multi-view framework for multi-phase pancreas segmentation based on cross-phase non-local attention（否）（2）	部位：胰腺 方向：分割	内部数据集：来自北京协和医院 外部数据集：来自河南省肿瘤医院	人	软/硬	本文介绍了 M3Net，一个集成多尺度多视图信息用于多阶段胰腺分割的框架。 M3Net建立在双路径网络上，其中单独的分支设置为两个阶段。引入了桥接两个分支的跨相交互连接，以交错和整合双相互补视觉信息。	此外，进一步设计了两种类型的非局部注意模块来增强跨阶段的高级特征表示。 首先，我们设计了一个位置注意模块来生成交叉相位可靠的特征相关性来抑制错位地区。 其次，深度注意力模块用于捕获通道依赖性，然后加强特征表示。
010_Ms RED: A novel multi-scale residual encoding and decoding network for skin lesion segmentation（是，但还没发出来）（4.5）	部位：皮肤病 方向：分割	使用ISIC 2016、ISIC 2017、ISIC 2018 和 PH 2四个公共皮肤病变数据集	人	软件	本研究提出了一种用于皮肤病变分割的新型多尺度残差编码和解码网络（Ms RED），该网络能够准确可靠地高效分割各种病变。具体而言，编码器采用多尺度残差编码融合模块(MsR-EFM)，解码器采用多尺度残差解码融合模块(MsR-DFM)自适应融合多尺度特征。	此外，为了增强新提出的流水线的表示学习能力，我们提出了一种新颖的多分辨率、多通道特征融合模块 (M2F2)，它取代了编码器和解码器网络中的传统卷积层。 此外，我们首次将一种新颖的池化模块 (Soft-pool) 引入医学图像分割，在下采样时保留更多有用的信息并获得更好的分割性能。 最后但并非最不重要的是，新模型使用的模型参数比同类方法少得多，从而大大减少了模型训练所需的标记样本数量，从而产生比同类方法更快的收敛训练过程。源代码可在 https://github.com/duweidai/Ms-RED 获得。

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
011_SCPM-Net: An anchor-free 3D lung nodule detection network using sphere representation and center points matching （是）（3）	部位：肺结节 方向：检测	LUNA16 公共数据集 训练和测试过程是通过 SenseCare平台完成的，该平台具有一个 8 核 Intel E5-2650 CPU、 8 个NVIDIA 1080Ti GPU和 2T 内存。	人	软件	提出了一种基于 3D 球体表示的中心点匹配检测网络 (SCPM-Net)，它是无锚的，无需手动设计结节/锚点参数即可自动预测结节的位置、半径和偏移量。     SCPM-Net 由两个新组件组成：球体表示和中心点匹配。 首先，为了匹配临床实践中的结节注释，我们将常用的边界框替换为我们提出的边界球体，以在 3D 空间中表示具有质心、半径和局部偏移的结节。引入了一个兼容的基于球体的交集过度联合损失函数来稳定有效地训练肺结节检测网络。 其次，我们通过设计一个积极的中心点选择和匹配（CPM）过程来使网络无锚点，该过程自然地丢弃预先确定的锚点框。	在线示例挖掘和重新聚焦损失随后使 CPM 过程更加稳健，从而导致更准确的点分配和缓解类不平衡。 此外，为了更好地捕获用于检测的空间信息和 3D 上下文，我们建议将多级空间坐标图与特征提取器融合
012_Cross-covariance isolate detect: A new change-point method for estimating dynamic functional connectivity（否）（2）	部位:精神压力 方向:检测	自焦虑诱发实验、静息态 fMRI 数据集	人 人	软硬结合	本文中，通过引入一种统计方法来找到FC(功能连接)网络中的变化点，其中变化点的数量和位置是先验未知的，我们绕过了滑动窗口。新方法，称为交叉协方差隔离检测(CCID)，检测多变量的二阶（交叉协方差或网络）结构中的多个变化点，可能是高维时间序列。	CCID 是新颖的，因为它允许在存在可能很小幅度的频繁变化的情况下进行检测，可以将变化点分配给一个或多个大脑区域，并且计算速度非常快。
013_Deep learning for bone marrow cell detection and classification on whole-slide images（否）（2.5）	部位：骨髓 方向：检测、分类	台大医院检验科，获得伦理批准 (201911074RINB)。	人	软件	骨髓 (BM) 检查是诊断和管理多种血液系统疾病的重要步骤。BM 有核微分计数 (NDC) 分析作为 BM 检查的一部分，拥有最基本和最重要的信息。然而，在全幻灯片图像 (WSI) 上执行自动 BM NDC 分析存在许多挑战，包括要处理的大尺寸数据、具有细微差异的复杂细胞类型。	本文研究在几秒钟内为 BM NDC WSI 分析开发了一个高效且全自动的分层深度学习框架。 (1)用于快速定位BM 粒子和细胞轨迹的深度学习模型，生成感兴趣区域 (ROI) 以供进一步分析； (2) 基于补丁的深度学习模型，用于识别 16 种细胞类型，包括巨核细胞、有丝分裂细胞和四个阶段之前的研究中没有证明的成红细胞； （3）用于整合基于补丁的结果并产生最终输出的快速拼接模型。
014_Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network（否）（3）	大型内部ESD手术 方向：检测	来自厦门中山医院多个临床中心的 11 个 ESD 手术程序	人	软件	提出了一种新颖的形状感知关系网络，用于内窥镜黏膜下剥离术(ESD) 手术中准确和实时的地标检测。 所提出的网络能够通过充分利用地标之间的空间关系来实现令人满意的精度，同时保持实时性能。	首先设计了一种算法来自动生成关系关键点热图，能够直观地表示地标之间空间关系的先验知识，而无需使用任何额外的手动注释工作。 然后，我们开发了两个互补的正则化方案，以逐步将先验知识纳入训练过程。 一种方案通过多任务学习引入像素级正则化，另一种方案通过利用新设计的分组一致性评估器集成全局级正则化，它以对抗性的方式向所提出的网络添加了关系约束。 这两种方案在训练中都有利于模型，并且可以在推理中轻松卸载以实现实时检测。
015_Uncertainty-guided graph attention network for parapneumonic effusion diagnosis  (是)（2）	部位：肺炎旁积液 (PPE) 方向：诊断	自采	人	软件	肺炎旁积液 (PPE) 是导致肺炎住院患者死亡的常见疾病。在计算机断层扫描 (CT) 扫描中快速区分复杂的 PPE (CPPE) 与简单的 PPE (UPPE) 对于 PPE 的管理和医疗非常重要。   在本文中，我们提出了一种不确定性引导的图注意力网络（UG-GAT），它可以自动从 3D 体积中的所有 CT 切片中提取和整合信息，以分类为 UPPE、CPPE 和正常控制情况。 具体来说，我们将不同情况的区别框架为图分类问题。每个个体被表示为具有拓扑结构的有向图，其中顶点表示切片的图像特征，边编码它们之间的空间关系。 为了估计每个切片的贡献，首先使用贝叶斯 CNN 提取具有不确定性的切片表示：然后我们在图预测阶段利用不确定性信息对每个切片进行加权，以实现更可靠的决策。	大量实验表明，我们的方法在需求上是轻量级的，并且在很大程度上优于公认的最先进的方法。代码可在 https://github.com/iMED-Lab/UG-GAT 获得。
016_Unsupervised feature disentanglement for video retrieval in minimally invasive surgery（否）（2）	部位：子宫 方向：无监督	公共数据集Cholec80、 本文的腹腔镜子宫切除术内部数据集	人	软件	在本文中，我们提出了一种用于大型数据库中微创手术视频检索的无监督场景和运动（UDSM）表示的新方法，该方法具有推进智能高效手术教学系统的潜力。 为了提取更具辨别力的视频表示，建立了两个具有三重排序损失和对抗性学习机制的设计编码器，分别捕获空间和时间信息，以实现具有可解释性的每一帧的解开特征。 此外，使用时间聚合模块在集成视频级别改进远程时间依赖性，然后产生一组带有代表性特征的紧凑二进制代码以实现快速检索。	整个框架是在无监督方案中训练的，即纯粹从原始手术视频中学习而不使用任何注释。

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
017_Selective identification and localization of indolent and aggressive prostate cancers via CorrSigNIA: an MRI-pathology correlation and deep learning framework（否）（2.5）	部位：前列腺 方向：病理学	斯坦福大学机构审查委员会(IRB)	人	软件	提出了一种放射学-病理学融合方法 CorrSigNIA，用于在 MRI 上选择性识别和定位惰性和侵袭性前列腺癌。  CorrSigNIA 使用来自根治性前列腺切除术患者的注册 MRI 和整体组织病理学图像来推导出准确的真实标签并学习放射学和病理学图像之间的相关特征。 然后在卷积神经网络架构中使用这些相关特征来检测和定位前列腺 MRI 上的正常组织、惰性癌症和侵袭性癌症。	在临床环境中，CorrSigNIA 可用于前列腺癌检测以及选择性识别前列腺癌的惰性和侵袭性成分，从而通过帮助指导靶向活检、减少不必要的活检以及选择和规划治疗来改善前列腺癌护理。
018_Hierarchical graph representations in digital pathology（是）（4）	部位：乳腺癌 方向：病理学	BReAst 癌亚型 (BRACS) 数据集、 代码、数据和模型可以在 https://github.com/histocartography/hact-net 访问。 备注：GNN中有GIN,PNA 同构网络（Graph Isomorphism Network ，GIN）可以像离散节点特征空间的一维 WL 测试一样执行， 通过使用聚合器和度数缩放器的组合，提出了主邻域聚合 (PNA) 网络。	人	软件	提出了一种新的组织标本的多级层次实体图表示，以对编码组织学实体的层次结构以及它们的实体内和实体间级交互进行建模。 随后，提出了分层图神经网络对分层实体图进行操作并将组织结构映射到组织功能。	具体来说，对于输入组织学图像，我们利用定义明确的细胞和组织区域来构建分层细胞到组织 (HACT) 图表示，并设计 HACT-Net，一种消息传递图神经网络，对 HACT 表示进行分类。
Self-supervised driven consistency training for annotation efficient histopathology image analysis（是）（3）	方向：病理学	BreastPathQ 数据集、 Camelyon16 数据集、 Kather 多类数据集	人	软件	在这项工作中，我们通过利用基于两种新策略的与任务无关和特定于任务的未标记数据来克服这一挑战： （i）利用组织学全幻灯片图像中潜在的多分辨率上下文线索的自我监督的借口任务为无监督表示学习学习强大的监督信号； (ii) 一种新的师生半监督一致性范式，该范式基于与特定任务的未标记数据的预测一致性，学习将预训练的表示有效地转移到下游任务。	此外，我们凭经验表明，引导自监督预训练特征的想法是改进标准基准上特定任务的半监督学习的有效方法。 代码和预训练模型可从以下网址获得：https://github.com/srinidhiPY/SSL_CR_Histo。
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
020_Melanoma classification using light-Fields with morlet scattering transform and CNN: Surface depth as a valuable tool to increase detection rate（否）（2）	部位：皮肤 方向：分类	皮肤光场 (Skin Le- sion Light-fields ，SKINL2)数据集	人 人	软件	本研究拟通过考虑表征皮肤表面粗糙度的第三维（深度）来超越传统的 2D 图像特征，这可以从光场图像中获得，例如在 SKINL2 数据集中可用的图像。 为了实现这一目标，使用 morlet 散射变换和 CNN 模型部署了一个处理管道，允许在使用 2D 信息、仅使用 3D 信息或两者之间进行比较。	总的来说，这项工作的结果证明了对传统方法的显着改进。
022_Multi-label, multi-domain learning identifies compounding effects of HIV and cognitive impairment （否）(2)	部位：认知障碍 方向：分类	UCSF 数据集、 SRI International (SRI, )、ADNI-1	人	软件	感染人类免疫缺陷病毒 (HIV) 的老年人有患 HIV 相关神经认知障碍(HAND) 的风险，即，认知功能下降类似于患有轻度认知障碍(MCI) 的HIV 阴性个体或阿尔茨海默病 (AD)如果影响更严重。 尚未完全了解大脑结构如何区分 HIV 阳性（即 HAND）和 HIV 阴性队列（即 MCI 和 AD）中的认知障碍 (CI)。 为此，我们设计了一个多标签分类器它通过两个二元变量通过 HIV 和 CI 状态标记个体的结构磁共振图像 (MRI)。	传统上，对这种方法的适当培训需要精心策划的数据集，其中包含相应四个队列（健康对照、CI HIV 阴性成人即仅 CI、无 CI 的 HIV 阳性患者即仅 HIV，以及手）。由于此类数据集的稀有性，我们建议通过多域学习方案改进多标签分类器的训练，该方案还结合了特定于任一二进制标签的辅助单标签数据集上的特定领域分类器。 主要利用多标签分类以区分控制、仅 HIV、仅 CI 和 HAND
023_Curriculum learning for improved femur fracture classification: Scheduling data with prior knowledge and uncertainty （是）(3)	部位: 股骨近端骨折 方向:分类	慕尼黑 Rechts der Isar 医院的创伤外科部门收集的髋部和骨盆的匿名 X 射线	人	软件	根据 X 射线图像对股骨近端骨折进行充分分类对于治疗选择和患者的临床结果至关重要。我们依赖于常用的 AO 系统，它描述了一个分层知识树，根据裂缝的位置和复杂性将图像分为类型和子类型。在本文中，我们提出了一种基于卷积神经网络(CNN) 将股骨近端骨折自动分类为 3 和 7 AO 类的方法。	设计了一种课程学习 (CL) 方法，可以提高基本 CNN 的性能。本文重新组合了三种课程策略：单独加权训练样本、重新排序训练集和采样数据子集。 这些策略的核心是对训练样本进行排序的评分函数。 定义了两个新的评分函数：一个来自特定领域的先验知识和一个原始的自定进度不确定性评分。
024_Multi-task vision transformer using low-level chest X-ray feature corpus for COVID-19 diagnosis and severity quantification（否）（3.5）	部位：胸部X 射线 方向：分类、诊断	1. CheXpert 数据集：预训练骨干数据集以提取低级CXR特征、 2. 巴伦西亚地区医学图像库 [BIMCV] ：分类数据集、 3. 公开可用的数据 Brixia 数据集严重性量化数据集。	人	软件	提出了一种新的多任务 Vision Transformer (ViT) ，它利用从骨干网络中获得的低级 CXR 特征语料库，提取常见的 CXR 发现。 具体来说，骨干网络首先用大型公共数据集进行训练，以检测常见的异常发现，如实变、混浊、水肿等。然后，骨干网络的嵌入特征被用作通用 Transformer 模型的语料库，用于诊断和COVID-19 的严重程度量化。	实验结果证实，我们的模型可以在诊断和严重性量化任务中实现最先进的性能，具有出色的泛化能力，这是广泛部署的必要条件。 具体来说，我们采用输出 Transformer 特征的感兴趣区域 (ROI) 最大池化来桥接严重性图和简单数组。因此，除了从 0 到 6的全局严重性评分之外，我们的模型还可以创建一个直观的严重性级别图，其中每个像素值使用基于弱阵列的标签明确表示存在 COVID-19 病变的可能性
025_RA-GCN: Graph convolutional network for disease prediction problems with imbalanced data（否）（3）	病状： 糖尿病 帕金森病 乳腺癌 方向：分类	Pima Indian Diabetes (Diabetes)、 Parkinson's Progression Markers Initiative (PPMI) 、 Haberman's living (Haberman)。	人	软件	提出了一个重加权对抗图卷积网络（RA-GCN）来防止基于图的分类器强调任何特定类别的样本。 这是通过关联基于图的神经网络来完成的到每个类，它负责对类样本进行加权并改变每个样本对分类器的重要性。因此，分类器自我调整，更关注重要样本，确定类之间的边界。	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。
026_Multi-scale semi-supervised clustering of brain images: Deriving disease subtypes（是）（3）	部位：精神分裂症、认知障碍 方向：半监督	英国生物银行 (UKBB) 研究、 阿尔茨海默病神经影像学倡议 (ADNI) 研究、 通过维度评估的精神病异质性神经影像学 (PHENOM) 研究	人	软件	提出了一种新方法“多尺度异质性分析和聚类”（MAGIC），以描述疾病异质性的多尺度表现，该方法建立在先前提出的半监督聚类方法 HYDRA 的基础上。	MAGIC 推导出多尺度和临床可解释的特征表示，并利用双循环优化程序来有效地推动对跨尺度一致疾病亚型的识别。 所提出方法的代码可在https://github.com/anbai106/MAGIC公开获得。

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
027_Quantitative characterization of the human retinotopic map based on quasiconformal mapping（否）（2）	部位：视网膜 方向：表征	自采	人	软件	在这项研究中，开发了一个基于计算共形几何和拟共形 Teichmüller 理论的新框架来量化视网膜图。 具体来说，引入了一个通用管道，包括皮质表面保形参数化、基于表面样条的皮质激活信号平滑和基于顶点的 Beltrami 系数映射描述。 一个“贝尔特拉米系数图”（BCM），它通过量化每个视野位置的局部准共形映射失真来严格	BCM 提供了拓扑和完全可重建的视网膜图。 新框架可以应用于其他视觉区域和有和没有眼病的个体的视网膜图，并提高我们对正常和临床人群视觉皮层组织的理解。
028_Characterizing interactions between cardiac shape and deformation by non-linear manifold learning（否）(2)	部位：心脏 方向：表征	自采	人	软件	提出了一种策略来表征心脏功能的两个部分相关的生理特征之间的相互作用：心肌形状和变形，通过在心肌的每个点定义的高维描述符进行评估。 利用非线性流形学习方法进行流形对齐 (MML) 来控制单个描述符的表示和两个不同描述符之间的关系。 针对线性和非线性嵌入策略对本文的方法进行了基准测试，其中通过多核学习融合流形，通过扩散映射独立嵌入每个描述符，以及基于成对对应的严格对齐。	本文的实验强调了联合考虑形状和变形描述符的相关性，并且对于本文的应用，流形对齐优于融合。

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
029_Diagnosis of obsessive-compulsive disorder via spatial similarity-aware learning and fused deep polynomial network（否）（2）	部位:慢性精神疾病肿瘤(强迫症，Obsessive-compulsive disorder ，OCD) 方向：诊断	自采	人	软件	本文提出了一种空间相似性感知学习（SSL）模型来构建 BFCN。 通过模型中的平滑正则化术语来包含相邻或双边对称大脑区域之间的空间关系。 开发了一种新颖的融合深度多项式网络 (FDPN) 模型，以进一步学习强大的信息，并尝试使用 BFCN 特征解决维数灾难问题。	在 FDPN 模型中，堆叠了一个多层深度多项式网络 (DPN)，并通过加权机制集成了来自多个输出层的特征。这样，FDPN 方法不仅可以识别 BFCN 的高层信息特征，还可以解决维数灾难问题。

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
030_Analysis of the ISIC image datasets: Usage, benchmarks and recommendations（有数据集GitHub 存储库）（4）	总结了 ISIC 数据集图像的使用情况	ISIC2016-2020	人	软件	在本文中，总结了 ISIC 数据集图像的使用情况，并对 2016 年至 2020 年期间的年度发布进行了分析。 分析发现数据集内部和数据集之间存在大量重复图像。此外，还注意到分布在测试和训练集中的重复项。 由于这些不规则性，提出了重复删除策略，并推荐了一个精选的数据集供研究人员在处理 ISIC 数据集时使用	在应用重复删除策略和额外的数据平衡步骤后，测试完成。 由于从训练集中删除了 14,310 张重复图像，基准结果显示了黑色素瘤预测的良好水平，最佳性能模型的 AUC 为 0.80。

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
031_Deformable MR-CT image registration using an unsupervised, dual-channel network for neurosurgical guidance（否）（3）	部位：MR 和 CT 图像 方向：无监督学习	自采	人	软件	报告了一种无监督的、基于深度学习的配准框架，以解决术前 MR 和术中 CT 之间的此类变形，并具有快速运行时间，用于神经外科指导。 该框架将用于 MR 和 CT 图像合成的子网络与双通道配准子网络（合成不确定性提供双通道损失的空间变化权重）相结合，以估计来自 MR 和 CT 通道的微分变形场。	基于具有空间变化权重和端到端训练的双通道 MR/CT 配准的可变形配准框架实现了优于最先进的基线方法和所提出网络的各种消融的几何精度和运行时间。该方法的准确性和运行时间可以满足高精度神经外科手术的要求。
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
032_Degenerative adversarial neuroimage nets for brain scan simulations: Application in ageing and dementia（否）（3）	部位：衰老和痴呆 方向：对抗性神经图像网络	阿尔茨海默病神经影像学倡议数据集	人	软件	高维医学图像的准确逼真模拟已成为与许多支持人工智能的医疗保健应用相关的重要研究领域。然而，当前最先进的方法缺乏产生令人满意的高分辨率和准确的特定主题图像的能力。在这项工作中，我们提出了一个深度学习框架，即 4D-Dgeneration Adversarial NeuroImage Net (4D-DANI-Net)，以生成高分辨率的纵向 MRI 扫描，模拟衰老和痴呆症中特定主题的神经变性. 4D-DANI-Net 是一个基于对抗性训练和一组新颖的时空、生物信息约束的模块化框架。	依靠三项关键技术进步： i) 一种称为轮廓权重函数 (PWF) 的新 3D 训练一致性机制 ii) 3D 超分辨率模块 iii)一种迁移学习策略，用于为给定的个人微调系统。
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
033_Diagnosing glaucoma on imbalanced data with self-ensemble dual-curriculum learning（否）（4）	部位：青光眼 方向：诊断	LAG、REFUGE 和 RIM-ONE	人	软件	在本文中，提出了一种特征空间中的自适应重新平衡策略，即自集成双课程学习（SEDC），以改善对不平衡数据的青光眼诊断通过特征提取和特征重新加权来增加特征分布。 首先，自集成 (SEL) 被开发出来，通过提炼从丰富的多数案例中学习到的特征来增强对少数类和罕见案例的特征表示的辨别能力。 其次，双课程（DCL）旨在自适应地重新加权特征空间中的不平衡数据，以学习用于准确诊断青光眼的平衡决策函数。。	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。