作者：Muhammad Sajjad a,1, Salman Khan b,1, Khan Muhammad b, Wanqing Wu c, Amin Ullah b, Sung Wook Baik b,∗单位：a Digital Image Processing Laboratory, Department of Computer Science, Islamia College, Peshawar, Pakistan b Intellignet Media Laboratory, College of Electronics and Information Engineering, Sejong University, Seoul, Republic of Korea c CAS Key Laboratory of Human-Machine Intelligence-Synergy Systems, Shenzhen Institutes of Advanced Technology (SIAT), Shenzhen, 518055, China发表期刊：Journal of Computational Science 30 (2019) 174–182论文简介：许多计算机辅助诊断(CAD)系统最近出现在医学影像学的历史上，以帮助放射科医生了解他们的病人。为了充分协助放射科医师和更好地分析磁共振成像(MRI)，脑肿瘤的分级是必不可少的程序。在本文中，我们提出了一种新的基于卷积神经网络(CNN)的脑肿瘤分级系统。首先，利用深度学习技术对MR图像中的肿瘤区域进行分割。其次，通过大量的数据扩充，有效的训练了所提出的系统，避免了MRI在多级别脑肿瘤分类时缺乏数据的问题。最后，利用增强数据对预训练的CNN模型进行微调，用于脑肿瘤分级分类。在增强数据和原始数据上对该系统进行了实验评估，结果表明，与现有方法相比，该系统具有令人信服的性能。研究方向：脑胶质瘤分级
下载作者：Geethu Mohan, M. Monica Subashini ∗单位：School of Electrical Engineering, VIT University, Vellore, 632014, India发表期刊：Biomedical Signal Processing and Control 39 (2018) 139–161论文简介：本文就近年来脑磁共振影像的分割和肿瘤分级技术作一综述。脑瘤的早期发现和分级的必要性是本研究的动机。在磁共振成像(MRI)中，肿瘤可能显示清晰，但医生需要量化肿瘤区域以进一步治疗。这就是数字图像处理方法与机器学习一起帮助进一步诊断、治疗、术前和术后程序，以及放射科医生和计算机之间的协同作用。这些混合技术提供了第二意见和协助放射科医师理解医学图像，从而提高诊断准确性。本文以包括星形细胞瘤在内的胶质瘤为靶点，回顾了肿瘤感染人脑MR图像的分割和分类的发展趋势。该方法用于提取和分级的肿瘤，可纳入标准的临床成像协议阐明。最后，对该技术的现状、未来发展和趋势进行了重要的评估。研究方向：基于MRI图像的脑肿瘤分类综述
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：脑部MRI图像分类
下载作者：Joyseeree, R a,b*, Otalora, S b,c, Muller, H b,c, Depeursinge, A b单位：a ETH Zürich, Zürich, Rämistrasse 101, Zurich 8092, Switzerland b HES-SO Valais, Technopôle 3, Sierre 3960, Switzerland c University of Geneva, Geneva, Switzerland发表期刊：Medical Image Analysis, 2019, 56: 172-183论文简介：提出了一种基于Riesz和深度学习特征融合的，在CT（计算机断层扫描）中检测和分类几类病变和健康的肺组织的新方法。首先，使用一对一方法从Riesz表示中学习判别性参量肺组织纹理特征。由于Riesz小波是可操纵的，因此可以轻松地使它们对于局部图像旋转不变，这是在CT图像中分析肺组织微结构时所需要的属性。其次，通过使用同一ILD数据集的增强版对Inception V3体系结构进行微调，可以计算出深度卷积神经网络（CNN）的特征。由于CNN特征既是深度特征又是非参数特征，因此它们实际上可以准确地建模出任何对组织识别有用的特征。但是，没有明确实现局部图像旋转的不变性，只能通过基于旋转的数据增强来近似。这激发了Riesz和深度CNN特征的融合，因为这两种技术非常互补。将两个学习到的表示形式合并到一个联合softmax模型中，以进行最终分类，在此模型中比较早期和晚期特征融合方案。实验结果表明，与每个单独的特征表示相比以及与深度学习方法的集合相比，独立概率的后期融合导致分类性能的显着提高。研究方向：医学图像分类
下载作者：Kim, BC a*, Yoon, JS a, Choi, JS a, Suk, HI a单位：a Department of Brain and Cognitive Engineering, Korea University, Seoul, South Korea发表期刊：Neural Networks, 2019, 115: 1-10.论文简介：肺癌是一种全球性的危险疾病，其早期发现对于降低死亡风险至关重要。在这方面，人们非常感兴趣的是开发一种计算机辅助系统，以尽早在胸部CT扫描中检测肺结节。然而，由于结节形态特征的高度变化以及将其误认为邻近器官的可能性，候选结节的检测仍然是一个挑战。在这项研究中，我们提出了一种新颖的多尺度渐进整合卷积神经网络（MGI-CNN），其设计采用三种主要策略：（1）使用具有不同级别上下文信息的多尺度输入，（2）使用抽象渐进集成不同输入尺度中固有的信息，以及（3）以端到端的方式学习多流特征集成。为了验证所提出的网络的有效性，将所提出的方法的性能与文献中的最新方法进行比较，对LUNA16挑战数据集进行了详尽的实验。在LUNA16数据集的两个候选子集（即V1和V2）上，本文方法实现了0.908（V1）和0.942（V2）的平均CPM，大大优于同类方法。研究方向：医学图像分类
下载作者：Robert J. Gillies1,Paul E. Kinahan2,Hedvig Hricak3单位：1 From the Department of Cancer Imaging, H. Lee Moffitt Cancer Center and Research Institute, 12902 Magnolia Dr, Tampa, FL 33612 (R.J.G.) 2 University of Washington ,3 Memorial Sloan Kettering Cancer Center发表期刊：Radiology, vol. 278, no. 2, 2016, pp. 563–577.论文简介：在过去的十年里，随着模式识别工具数量的增加和数据集大小的增加，医学图像分析领域呈指数级增长。这些进展促进了高通量提取定量特征的过程的发展，这些特征导致将图像转换为可开采数据，并随后对这些数据进行分析，以提供决策支持；这种做法被称为影像组学。这与将医学图像视为仅用于视觉解释的图片的传统做法形成对比。影像数据包含一阶、二阶和高阶统计特征。这些数据与其他患者数据相结合，并使用复杂的生物信息学工具进行挖掘，以开发可能提高诊断、预测和预测准确性的模型。由于放射分析往往是用标准的护理图像进行的，可以想象，将数字图像转换成可开采的数据最终将成为常规做法。本报告描述了放射治疗的过程、面临的挑战及其促进更好的临床决策的潜在能力，特别是在癌症患者的护理方面。研究方向：影像组学（综述）
下载作者：Quande Liu 1, Lequan Yu 1, Luyang Luo 1,2, Qi Dou 1,3, Pheng Ann Heng 1,4单位：1 The Chinese University of Hong Kong, Hong Kong 2 Stanford University, Stanford, CA, USA 3 T Stone Robotics Institute, The Chinese University of Hong Kong, Hong Kong 4 Guangdong–Hong Kong–Macao Joint Laboratory of Human-Machine Intelligence-Synergy Systems, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China 发表期刊：IEEE Transactions on Medical Imaging论文简介：本文提出了一种新的关系驱动的半监督医学图像分类框架。它是一种基于一致性的方法，它通过鼓励给定输入在扰动下的预测一致性来利用未标记数据，并利用自集成模型为未标记数据产生高质量的一致性目标。考虑到人类诊断往往参考以前的相似案例来做出可靠的决策，本文引入了一种新的样本关系一致性(SRC)范式，通过对不同样本之间的关系信息进行建模来有效地利用未标记的数据。与现有的基于一致性的方法简单地强制单个预测的一致性相比，本框架显式地强制在扰动下不同样本之间的语义关系的一致性，鼓励模型从未标记的数据中挖掘额外的语义信息。本研究在两个公共基准医学图像分类数据集上进行了广泛的实验，即使用ISIC 2018 Challage进行皮肤病变诊断和使用chestX-ray14进行胸部疾病分类。在单标签和多标签图像分类场景中，本方法优于许多最先进的半监督学习方法。研究方向：图像分类
下载作者：Yifan Zhang 1,2, Ying Wei 3, Qingyao Wu 1, Peilin Zhao 3, Shuaicheng Niu 1,2, Junzhou Huang 1, Mingkui Tan 1单位：1 School of Software Engineering, South China University of Technology, Guangzhou, China 2 Pazhou Laboratory, Guangzhou, China 3 Tencent AI Lab, Shenzhen, China 发表期刊：IEEE Transactions on Image Processing论文简介：基于深度学习的医学图像诊断在临床医学中显示出巨大的潜力。然而，它在实际应用中经常遇到两个主要困难：1)由于昂贵的医学图像标注成本，只有有限的标签可用于模型训练；2)由于疾病的诊断困难，标签图像可能包含相当大的标签噪声(例如，错误标签)。为了解决这些问题，我们试图从相关领域中挖掘丰富的标签数据，通过无监督领域适应(UDA)来帮助目标任务中的学习。不同于大多数UDA方法依赖于干净的标签数据或假设样本是平等可转移的，我们创新性地提出了一种协作式无监督领域自适应算法，该算法以协作的方式进行可迁移性感知的自适应并克服标签噪声。我们从理论上分析了该方法的泛化性能，并在医学图像和普通图像上进行了实验评估。良好的实验结果证明了该方法的优越性和通用性。研究方向：图像分类
下载