作者：Xiaomei Zhao1,2, Yihong Wu1, Guidong Song3, Zhenye Li4, Yazhuo Zhang3,4,5,6, and Yong Fan7单位：1. National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences 2.University of Chinese Academy of Sciences, Beijing, China 3.Beijing Neurosurgical Institute, Capital Medical University, Beijing, China 4.Department of Neurosurgery, Beijing Tiantan Hospital, Capital Medical University, Beijing, China 5.Beijing Institute for Brain Disorders Brain Tumor Center, Beijing, China 6.China National Clinical Research Center for Neurological Diseases, Beijing, China 7.Department of Radiology, Perelman School of Medicine, University of Pennsylvania, Philadelphia, PA, USA发表期刊：Medical image analysis, 2018, 43: 98-111.论文简介：论文将全卷积神经网络与条件随机场结合实现肿瘤分割，归一化、偏置场校正做预处理，利用三个二维方向（轴向，冠状，矢状）上的图像做分割，融合三个方向上的分割结果，删除小连通区域做后处理。研究方向：脑肿瘤分割
下载作者：Olaf Ronneberger, Philipp Fischer, and Thomas Brox单位：Computer Science Department and BIOSS Centre for Biological Signalling Studies, University of Freiburg, Germany发表期刊：International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241.论文简介：论文提出了医学图像中经典的分割网络U-Net，该网络包括一个用于获取图像上下文信息的下采样路径和一个能够进行精确定位的对称上采样路径，可以快速高效的完成分割。研究方向：医学影像数据预处理（图像增强）
下载作者：Konstantinos Kamnitsasa,∗, Christian Lediga , Virginia F.J. Newcombeb,c, Joanna P. Simpsonb, Andrew D. Kaneb, David K. Menonb,c, Daniel Rueckerta, Ben Glockera单位：a. Biomedical Image Analysis Group, Imperial College London, UK b. University Division of Anaesthesia, Department of Medicine, Cambridge University, UK c. Wolfson Brain Imaging Centre, Cambridge University, UK发表期刊：Medical image analysis, 2017, 36: 61-78.论文简介：论文提出了一个网络结构DeepMedic用来解决3D图像中的脑肿瘤分割问题，该结构包含双路卷积通道，共11层，以多尺度图像块为输入，在脑损伤、脑肿瘤等分割任务中达到了SOTA的性能。研究方向：脑肿瘤分割
下载作者：Ryo Ito a, Ken Nakae a, Junichi Hata b,c, Hideyuki Okano b,c, Shin Ishii a,∗单位：a Graduate School of Informatics, Kyoto University, Yoshida-honmachi, Kyoto, 606-8501, Japan b Department of Physiology, Keio University School of Medicine, Shinjuku-ku, Tokyo, 160-8582, Japan c Laboratory for Marmoset Neural Architecture, RIKEN Center for Brain Science, Wako-shi, Saitama, 351-0198, Japan发表期刊：Medical image analysis, 2017, 36: 61-78.论文简介：脑图像分割在临床应用和神经科学研究中都具有重要意义。近年来，深度神经网络(DNNs)的发展导致了将DNNs应用于大脑图像分割，而这需要大量的人类对整个大脑图像进行注释。对于解剖学专家来说，注释三维大脑图像需要付出艰苦的努力，因为图像之间在维度、噪声、对比度或模糊边界方面存在差异，甚至阻碍了这些专家获得必要的一致性。本文提出了一种半监督学习框架，利用图像配准将伪标签附加到原始未标记的图像上，以相对较少的带注释(标记)的图像(即地图集)和相对较多的未标记图像为基础训练DNN。我们将我们的方法应用于两个不同的数据集:开放的人类大脑图像和原始的绒猴大脑图像。在提供相同数量的地图集进行训练时，我们发现我们的方法比现有的基于注册的方法和基于dnn的方法分割结果更加优越和稳定。研究方向：半监督脑组织分割
下载作者：Mamta Mittal a, Lalit Mohan Goyal b, Sumit Kaur c, Iqbaldeep Kaur d, Amit Verma d,D. Jude Hemanth e,∗单位：a Department of CSE, G.B. Pant Govt. Engineering College, Okhla, New Delhi, India b Department of Computer Engineering, J.C. Bose, University of Science & Technology, YMCA, Faridabad, India c Department of CSE, Gurukashi University, Bathinda, Punjab, India d Department of CSE, Chandigarh Group of Colleges, Landran, Punjab, India e Department of ECE, Karunya Institute of Technology and Sciences, Coimbatore, India发表期刊：Applied Soft Computing Journal 78 (2019) 346–354论文简介：医疗行业的自动化已成为当今医疗场景的必然要求之一。放射科医师需要这种自动化技术来进行准确的诊断和治疗计划。从磁共振脑图像中自动分割肿瘤部分是一项具有挑战性的任务。几种方法已发展的目标，以提高分割效率的自动化系统。然而，在医学图像分析的分割过程中，总是有改进的余地。本文提出了一种基于深度学习的脑肿瘤图像分割方法。该方法包括平稳小波变换(SWT)和新的增长卷积神经网络(GCNN)的概念。这项工作的重要目标是提高常规系统的精度。本文对支持向量机(SVM)和卷积神经网络(CNN)进行了对比分析。实验结果表明，该方法在准确率、PSNR、MSE等性能参数上都优于SVM和CNN。研究方向：医学图像分割
下载作者：Yan Shen ，Mingchen Gao单位：Department of Computer Science and Engineering, University at Buffalo, The State University of New York, Buffalo, USA发表期刊：IPMI 2019, LNCS 11492, pp. 417–428, 2019.论文简介：磁共振成像对脑肿瘤的分割是早期诊断的关键技术。然而，与BraTS数据集中完整的四种模式不同，在临床场景中缺乏模式是很常见的。我们设计了一种对无模态的脑肿瘤分割算法。我们的网络包括独立于信道的编码路径和特征融合的解码路径。利用自监督训练的方法，提出了一种基于特征图的域自适应方法，从缺失的信道中恢复信息。我们的结果表明，分割的质量取决于哪一种模态缺失。此外，我们还讨论和可视化各模态对分割结果的贡献。他们的贡献与专家的筛选程序配合得很好。研究方向：脑肿瘤分割
下载作者：Menglin Jianga, Shaoting Zhangb*, Yuanjie Zhengc, Dimitris N. Metaxasa单位：a Department of Computer Science, Rutgers University, Piscataway, NJ, USA b Department of Computer Science, UNC Charlotte, Charlotte, NC, USA c School of Information Science and Engineering, Shandong Normal University,Jinan, China发表期刊：Medical Image Computing and Computer-Assisted Intervention - MICCAI 2016, 2016:35-43论文简介：乳腺钼靶图像的自动分割是一项重要但具有挑战性的任务。肿块没有特定的生物学结构，并且在形状，边缘和大小方面表现出复杂的变化。另外，很难保留肿块边界的局部细节，因为肿块可能具有尖锐和模糊的边界。为了解决这些问题，本文通过图像检索来学习在线形状和外观先验。给定查询图像，首先通过Hough对局部特征进行投票来检索其视觉上相似的训练肿块。然后，从这些训练肿块中即时计算出查询特定的形状和外观先验。最后，使用这些先验和图割对查询肿块进行分割。该方法在基于DDSM的大型数据集上得到了广泛的验证。结果表明，与以前的系统相比，本文的在线学习先验知识使肿块分割的准确性有了实质性的提高。研究方向：肿瘤分割
下载作者：Singh, VK a*，Romani, S a，Rashwan, HA a，Farhan Akram b, Nidhi Pandeyc,d单位：a DEIM, Universitat Rovira i Virgili, Tarragona, Spain b Imaging Informatics Division, Bioinformatics Institute, Singapore, Singapore c Kayakalp Hospital, New Delhi 110084, India d Hospital Universitari Sant Joan de Reus, Tarragona, Spain发表期刊：Medical Image Computing and Computer Assisted Intervention - Miccai 2018, 2018: 833-840论文简介：本文提出了一种基于条件生成对抗网络（cGAN）的乳腺X线摄影术中乳房肿块分割的新方法。生成网络学习肿瘤的内在特征，而对抗网络则强制进行分割，使其与ground truth相似。对从公共DDSM数据集和内部私有数据集中提取的数十种恶性肿瘤进行的实验证实，本文方法具有非常高的Dice系数和Jaccard指数（分别> 94％和> 89％）。此外，为了检测刻画的分割肿瘤的重要形态特征，还设计了特定的卷积神经网络（CNN）将分割的肿瘤区域分为四种类型（不规则，小叶，椭圆形和圆形），整体DDSM数据集的准确性约为72％。研究方向：肿瘤分割
下载作者：Shuchao Panga*, Anan Dub, Mehmet A. Orguna, Yan Wanga单位：a Macquarie University, NSW, Australia b University of Technology Sydney, NSW, Australia发表期刊：IEEE Conference on Computer Vision and Pattern Recognition, 2020论文简介：自动肿瘤分割是医学图像分析中用于计算机辅助诊断的关键步骤。常规的CNN只能利用平移不变性，而忽略医学图像中存在的其他固有对称性，例如旋转和偏转。为了减轻这一缺点，本文通过编码那些固有的对称性以学习更精确的表示形式，提出了一种新颖的群等变量分割框架。首先，在每个方向上都设计了基于核的等变运算，可以有效地解决现有方法中学习对称性的空白。然后，为使分割网络保持全局等价，设计了具有分层对称约束的独特组层。通过利用更多的对称性，新颖的CNN分割可以大大减少样本复杂度，并且比常规CNN减少过滤器的冗余度（大约2/3）。本文的分割框架的组层可以无缝集成到任何流行的基于CNN的分割架构中。研究方向：肿瘤分割
下载作者：Antoine Ackaouy1, Nicolas Courty2, Emmanuel Vallée3, Olivier Commowick1单位：1 Empenn, INRIA, IRISA, CNRS, INSERM, Rennes, France, 2 Panama/Obélix, INRIA, IRISA, Université de Bretagne Sud,Vannes, France, 3 Orange Labs, Lannion, France发表期刊：Frontiers in Computational Neuroscience 2020,14:19论文简介：从磁共振图像中自动分割多发性硬化（MS）病灶是临床评估和治疗计划的基础最近的女士多年来，卷积神经网络（CNNs）在这项工作中的应用越来越多。尽管这些方法提供了准确的分割，但由于在不同的图像域中存在重复性问题，它们在临床环境中的应用仍然受到限制。MS图像在患者、MRI扫描器和成像协议中可能具有高度可变的特征；使用每个域的数据重新训练一个有监督的模型不是一个可行的解决方案，因为它需要专家放射科医生的手动注释。在这项工作中，我们探索一个无监督的解决方案的领域转移的问题。我们提出了一个框架Seg-JDOT，它采用了一个深度模型，使得来自源域和来自目标域的共享相似表示的样本将被类似地分割。我们在多站点数据集MICCAI 2016上对该框架进行了评估，结果表明，与标准x训练相比，对目标的适应可以显著提高模型性能。研究方向：图像分割、域适应（研究型）
下载作者：Qikui Zhu1, Bo Du2, Pingkun Yan3单位：1 School of Computer Science, Wuhan University, Wuhan, China. 2 School of Computer Science and State Key Lab of Information Engineering on Survey, Mapping and Remote Sensing, Wuhan University, Wuhan, China. 3 Department of Biomedical Engineering and the Center for Biotechnology and Interdisciplinary Studies at Rensselaer Polytechnic Institute (RPI), Troy, NY, USA 12180.发表期刊：IEEE Trans Med Imaging. 2020 March ; 39(3): 753–763.论文简介：从磁共振（MR）图像中准确分割前列腺为前列腺癌的诊断和治疗提供了有用的信息。然而，从三维MR图像中自动分割前列腺图像面临着一些挑战。前列腺和其他解剖结构之间缺乏清晰的边缘，这使得精确地提取边界具有挑战性。背景纹理复杂，前列腺本身的大小、形状和强度分布变化较大，使得分割更加复杂。近年来，随着深度学习，特别是卷积神经网络（CNNs）作为医学图像分割的最佳方法的出现，获取大量带注释的医学图像用于CNNs训练的难度越来越大。由于大规模数据集是深度学习成功的关键组成部分之一，缺乏足够的训练数据使得复杂CNNs难以完全训练。针对上述问题，本文提出了一种边界加权域自适应神经网络（BOWDA-Net）。为了使网络在分割过程中对边界更加敏感，提出了一种边界加权分割损失法。针对医学影像数据量小的问题，提出了一种改进的边界加权转移学习方法。我们在三个不同的MR前列腺数据集上评估我们提出的模型。实验结果表明，该模型对目标边界更加敏感，性能优于其他最新方法。研究方向：图像分割、域适应（研究型）
下载作者：Fabian Isensee 1,3, Paul F. Jäger 1, Peter M. Full 1, Philipp Vollmuth 2, Klaus H. Maier-Hein1单位：1 Division of Medical Image Computing, German Cancer Research Center (DKFZ), Heidelberg, Germany 2 Section for Computational Neuroimaging, Department of Neuroradiology, Heidelberg University Hospital, Heidelberg, Germany 3 HIP Applied Computer Vision Lab, DKFZ, Heidelberg, Germany 发表期刊：International MICCAI Brainlesion Workshop论文简介：本研究将NNU-Net应用于Brats 2020挑战赛的分割任务。未经修改的NNU-NET基线配置已经取得了令人满意的结果。通过结合关于后处理、基于区域的训练、更积极的数据增强以及对NNU-NET管道的几个小的修改，本研究能够显著提高其分割性能。研究方向：图像分割
下载作者：Zeyu Jiang 1, Changxing Ding 1, Minfeng Liu 2, Dacheng Tao 3单位：1 School of Electronic and Information Engineering, South China University of Technology, Guangzhou, China 2 Nanfang Hospital, Southern Medical University, Guangzhou, China 3 UBTECH Sydney AI Centre, SIT, FEIT, University of Sydney, Sydney, Australia 发表期刊：International MICCAI Brainlesion Workshop论文简介：本文设计了一种新颖的两级级联U网来从粗到细分割脑肿瘤的子结构。该网络在多模态脑瘤分割挑战赛(BRATS)2019年训练数据集上进行了端到端的训练。研究方向：图像分割
下载