19级赵同学推荐的十佳医疗图像处理论文

总结日期：2021年7月1日

1. 题目：PraNet: Parallel Reverse Attention Network for Polyp Segmentation

发表日期：2020.3

论文网址：https://link.springer.com/chapter/10.1007%2F978-3-030-59725-2_26

推荐指数：★★★★★（五星是满分）

推荐理由：

1.亮点： 

（1）PPD模块：与高级特征相比，低级特征由于其更大的空间分辨率而需要更多的计算资源，但是对性能的贡献较小。基于Res2Net的backbone网络提取5个层次的特征，其中f1和f2为低级特征，f3、f4和f5是高级特征。通过并行连接来聚合高级特征，从而得到一个全局映射图。

（2）反向注意（RA）模块：全局映射图Sg来自最深的卷积神经网络层，它只能捕捉息肉组织的相对粗略位置，而没有结构细节。为解决该问题，提出了一种通过擦除前景对象的方式逐步挖掘有区别的息肉区域的方法。通过该方法最终可以将不精确和粗略的估计细化为准确而完整的边缘预测图。

2.重要性：息肉的精确分割是一项具有挑战性的任务，该网络当时在几个息肉图像的数据集中取得了最优秀的结果，并且速度与参数大小上优势也比较大。

3.结果：

---

2. 题目：CPFNet: Context Pyramid Fusion Network for Medical Image Segmentation

发表日期：2020.3.27

论文网址：https://ieeexplore.ieee.org/document/9049412

推荐指数：★★★★★☆（五星是满分）

推荐理由：

1.亮点：

（1）首先在编码器和解码器之间引入多个全局金字塔引导(GPG)模块，旨在通过重构跳跃连接为解码器提供不同层级间的全局上下文信息。

（2）设计了可学习金字塔融合(SAPF)模块，实现了多尺度上下文信息的动态融合。这两个金字塔模块可以逐步挖掘和融合丰富的上下文信息。

2.重要性：这篇文章看上去像是在去年提出的CE-Net的工作上做出的改进，将不同感受野特征信息相加再进一步拓展，将不同感受野有效信息权重加大了，性能上进一步提升。提出的网络适用性比较强，其中提出的两个模块可方便的加入到其他网络架构中，更具实用性。

3.结果：对四类数据集（皮肤癌、荧光造影ICGA的视网膜条纹损伤、CT胸腔器官以及OCT视网膜水肿）进行了验证，都取得了STOA的效果。

3. 题目：KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation

发表日期：2020.10.4

论文网址：https://arxiv.org/pdf/2010.01663v1.pdf

推荐指数：★★★★★（五星是满分）

推荐理由：

1.亮点：

（1）结构改进：将Ki-Net与Unet结合起来，形成了KiU-Net。输入的图片同时经过两个分支，一个分支是UNet，一个分支是Ki-Net。两个分支都是编码器-解码器的架构，编码解码部分都是三个卷积块。Ki-Net编码器部分的卷积块包含卷积层、双线性插值、ReLu。解码器部分的卷积块包含卷积层和最大池化，与Unet类似，在Ki-Net中采用了跳连的结构。Unet部分就是标准的Unet架构，只是层数减少了。
（2）CRFB模块：为了更好地将每一个卷积块的特征结合起来，作者提出了一个cross residual fusion block。两个分支相同层级的特征图同时作为输入，然后获得两个输出作为两个分支下一层级的输入。将UNet分支的特征图通过卷积层、ReLu之后与Ki-Net的特征图相加作为Ki-Net下一层级的输入。同样的，将Ki-Net分支的特征图通过卷积层、ReLu之后与UNet的特征图相加作为UNet下一层级的输入。最后将两个分支的特征图相加之后通过一个1x1的卷积获得输出的分割图像。

2.重要性：探索了过完备的网络结构Ki-Net，将欠完备与过完备深度网络结合起来提出了新的网络结构KiU-Net，比Unet能够更好地捕获细节并分割。在分割领域取得了更快的收敛速度和更好的性能。

3.结果：

4. 题目：Attention Guided Network for Retinal Image Segmentation

发表日期：2019.10.10

论文网址：https://arxiv.org/abs/1907.12930

推荐指数：★★★★☆（五星是满分）

推荐理由：

1.亮点：文章主要在M-Net中加入了注意引导模块（AG），传递结构信息并指导提取边缘信息。其中AG模块结合了attention机制和Guided Filter。

（1）attention block用来去除噪声与无关背景的影响；

（2）Guided Image Filtering用来引导图像特征，传递结构信息（边缘信息）。

2.重要性：文章的亮点在于AG模块，AG模块结合了attention机制和Guided Filter，将深度学习与传统图像处理技术结合了起来。为后面图像处理的模块改进提供了一些新的思路。

3.结果：

5. 题目：Structure Boundary Preserving Segmentation for Medical Image with Ambiguous Boundary

发表日期：2020

论文网址：https://openaccess.thecvf.com/content_CVPR_2020/papers/Lee_Structure_Boundary_Preserving_Segmentation_for_Medical_Image_With_Ambiguous_Boundary_CVPR_2020_paper.pdf

推荐指数：★★★★☆（五星是满分）

推荐理由：

1.亮点：

（1）提出一种新颖的边界关键点选择算法（boundary key point selection algorithm），使得能够用关键点来表示分割目标域的结构边界（解决上述第一个问题）；

（2）提出了一个新颖的结构边界保持(structure boundary preserving segmentation)分割框架，并且使得模型能够自动提取和学习结构关键点信息而不需要医生的交互（解决上述第二个问题）；

（3）文中提出的分割框架可以应用到不同分割模型上，并且作者做了足够的实验进行验证。

2.重要性：这是一篇CVPR的文章，该模型相比于U-Net，能够更好的处理分割区域的边界。同时该方法具有很强的通用性和灵活性，可以推广到不同的分割模型。

3.结果：

6. 题目：

发表日期：

论文网址：

推荐指数：★★★★★☆（五星是满分）

推荐理由：

1.亮点：

2.重要性：

3.结果：

7. 题目：

发表日期：

论文网址：

推荐指数：★★★★★☆（五星是满分）

推荐理由：

1.亮点：

2.重要性：

3.结果：

8. 题目：ANU-Net: Attention-based nested U-Net to exploit full resolution features for medical image segmentation

发表日期：2020.3.15

论文网址：ResearchGate

推荐指数：★★★☆☆（五星是满分）

推荐理由：

1.亮点：

（1）嵌套卷积块之间引入注意机制，使得在不同层次提取的特征可以与任务相关的选择合并；

（2）重新设计了结合三种损失的混合损失函数，以充分利用全分辨率特征信息。

2.重要性：ANU-Net具有灵活的网络结构，可以在测试过程中进行剪枝操作。因此，修剪后的ANU-Net中的大量参数可以大大减少，并且以很小的性能为代价提高了模型的速度。

3.结果：

9. 题目：

发表日期：

论文网址：

推荐指数：★★★★★☆（五星是满分）

推荐理由：

1.亮点：

2.重要性：

3.结果：

10. 题目：

发表日期：

论文网址：

推荐指数：★★★★★☆（五星是满分）

推荐理由：

1.亮点：

2.重要性：

3.结果：