前言
本文首發於公衆號【3D視覺工坊】，原文請見彙總|醫學圖像分析領域論文，更多幹貨獲取請關注公衆號~
醫學圖像分析相關期刊會議彙總
1、醫學圖像分析 (MedIA)
2、IEEE 醫學圖像學報 (IEEE-TMI)
3、IEEE 生物醫學工程學報(IEEE-TBME)
4、IEEE 生物醫學與健康信息學雜誌 (IEEE-JBHI)
5、國際計算機輔助放射學和外科學雜誌 (IJCARS)
6、醫學影像信息處理國際會議 (IPMI)
7、醫學圖像計算與計算機輔助干預國際會議 (MICCAI)
8、計算機輔助干預信息處理國際會議 (IPCAI)
10、IEEE國際生物醫學成像研討會 (ISBI)
胰腺相關
1、Globally Guided Progressive Fusion Network for 3D Pancreas Segmentation
（MICCAI 2019：用於三維胰腺分割全局引導的漸進融合網絡）
2、Harnessing 2D Networks and 3D Features for Automated Pancreas Segmentation from Volumetric CT Images
（MICCAI 2019-利用二維網絡和三維特徵從容積CT圖像中自動分割胰腺）
腦部相關
1、Predicting Alzheimer’s disease: a neuroimaging study with 3D convolutional neural networks
使用深度學習方法，特別是稀疏的自動編碼器和3D卷積神經網絡，基於大腦的MRI掃描識別阿爾茨海默氏病。
2、Alzheimer’s Disease Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network
使用深度3D卷積神經網絡可以學習捕獲Alzheimer’s disease的通用特徵並適應不同的數據集域。3D-CNN建立在3D卷積自動編碼器的基礎上，該編碼器經過預訓練，可以捕獲結構性腦MRI掃描中的解剖形狀變化。然後針對每個特定於任務的Alzheimer’s disease分類微調3D-CNN的完全連接的上層。
3、3D Deep Learning for Multi-modal Imaging-Guided Survival Time Prediction of Brain Tumor Patients
使用深度學習網絡從高級神經膠質瘤患者的多模式術前腦部圖像（即T1 MRI，fMRI和DTI）中自動提取特徵。具體來說，採用3D卷積神經網絡（CNN），提出了一種使用多通道數據和學習監督特徵的新網絡體系結構，並訓練了SVM分類器，以預測患者的總生存時間是長還是短。
4、Spectral Graph Convolutions for Population-based Disease Prediction
本文介紹了圖卷積網絡（GCN）的新穎概念，可將成像和非成像數據結合起來用於人羣的大腦分析。我們將種羣表示爲一個稀疏圖，其中其頂點與基於圖像的特徵向量相關聯，並且邊緣編碼表型信息。該結構用於在部分標記的圖上訓練GCN模型，目的是根據節點特徵和對象之間的成對關聯來推斷未標記節點的類別。
5、Automatic Detection of Cerebral Microbleeds From MR Images via 3D Convolutional Neural Networks
腦微出血（CMB）是血管附近的小出血。它們被認爲是許多腦血管疾病和認知功能障礙的重要診斷生物標誌物。 在當前的臨牀常規中，放射科醫生會手動標記CMB，但是此過程費力，費時且容易出錯。本文提出了一種通過利用3D卷積神經網絡（CNN）從磁共振（MR）圖像中檢測CMB的新型自動方法。
6、Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation
提出了一種雙路徑，11層深的三維卷積神經網絡，以解決腦部病變分割的艱鉅任務。所設計的體系結構是對針對類似應用而提出的當前網絡的侷限性進行深入分析的結果。爲了克服處理3D醫學掃描的計算負擔，設計了一種有效且有效的密集訓練方案，該方案將對相鄰圖像斑塊的處理合併爲一個通過網絡的通道，同時自動適應數據中存在的固有類不平衡。爲了合併本地和更大的上下文信息，採用了雙路徑架構，該架構可以同時處理多個尺度的輸入圖像。對於網絡的軟分段的後處理，使用3D完全連接的條件隨機字段，該字段可有效消除誤報。
7、AnatomyNet: Deep learning for fast and fully automated whole‐volume segmentation of head and neck anatomy
提出了一種端到端，無圖集的三維（3D）卷積深度學習網絡，用於快速，全自動的全體積頭頸解剖分割。以端到端的方式從頭頸部CT圖像中分割OAR（高危器官），接收完整體積的HaN CT圖像作爲輸入，並一次性生成所有感興趣的OAR的mask。網絡建立在3D U-net體系結構上，但通過三種重要方式進行了擴展：（a）一種新的編碼方案，可以對整個體積的CT圖像進行自動分割，而不是局部片或切片的子集；（b）合併3D壓縮和激勵編碼層中的殘差塊，以實現更好的特徵表示；以及（c）結合了Dice得分和焦點損失的新損失函數，以促進神經模型的訓練。
8、Unsupervised domain adaptation in brain lesion segmentation with adversarial networks
通過學習對抗網絡來學習領域不變特徵，該對抗網絡試圖通過觀察分段網絡的激活來對輸入數據的領域進行分類。此外，還提出了一種用於改進對抗訓練的多連接域鑑別器。
9、Medical Image Synthesis for Data Augmentation and Anonymization using Generative Adversarial Networks
提出了一種方法，該方法通過使用兩個公共可用的大腦MRI數據集訓練生成的對抗網絡，生成帶有腦腫瘤的合成異常MRI圖像。論文展示了合成圖像提供的兩個獨特優勢。首先，我們通過利用合成圖像作爲數據增強形式來說明在腫瘤分割方面的改進性能。其次，我們證明了生成模型作爲匿名化工具的價值，當在合成數據上訓練與在真實受試者數據上訓練時，可達到可比的腫瘤分割結果。總之，這些結果爲解決醫學成像中機器學習面臨的兩個最大挑戰（即病理結果的發生率低以及共享患者數據的限制）提供了可能的解決方案。
肺部相關
1、Multi-scale Convolutional Neural Networks for Lung Nodule Classification
提出了一種分層學習框架-多尺度卷積神經網絡（MCNN）通過從交替堆疊的層中提取判別特徵來捕獲結節異質性。特別是，爲了充分量化結節特徵，我們的框架利用多尺度結節補丁，通過串聯從每個輸入尺度在最後一層獲得的響應神經元激活來同時學習一組特定類別的特徵。實驗結果證明了論文的方法在不進行結節分割的情況下對惡性和良性結節分類的有效性。
2、Pulmonary Nodule Detection in CT Images: False Positive Reduction Using Multi-View Convolutional Networks
該系統使用多視圖卷積網絡（ConvNets）進行肺結節的識別，可從訓練數據中自動識別特徵。通過向網絡饋送結瘤candidates，該結瘤candidates是通過組合三個candidate detectors，實心，亞實心和大結節，對於每個candidates，從不同方向的平面中提取一組二維補丁。所提出的體系結構包括二維ConvNets的多個stream，使用專用的融合方法對其輸出進行組合以獲得最終分類。
3、DeepLung: Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classification
提出了一種全自動的肺部計算機斷層攝影（CT）癌症診斷系統DeepLung。 DeepLung由兩個部分組成，結節檢測（識別候選結節的位置）和分類（將候選結節分類爲良性或惡性）。考慮到肺部CT數據的3D性質和雙路徑網絡（DPN）的緊湊性，分別設計了兩個深層3D DPN用於結節檢測和分類。具體來說，具有卷積神經網絡（R-CNN）的3D更快區域被設計用於帶有3D雙路徑塊和類似U-net的編碼器-解碼器結構的結節檢測，以有效地學習結節特徵。對於結節分類，提出了具有3D雙路徑網絡特徵的梯度增強機（GBM）。結節分類子網已在LIDC-IDRI的公共數據集上進行了驗證，其分類性能優於最新方法，並且基於圖像模態超過了經驗豐富的醫生。在DeepLung系統中，首先通過結節檢測子網檢測候選結節，然後通過分類子網進行結節診斷。大量的實驗結果表明，在LIDC-IDRI數據集上，DeepLung在結節級和患者級診斷方面的表現均與有經驗的醫生相當。
4、Computer-Aided Diagnosis with Deep Learning Architecture: Applications to Breast Lesions in US Images and Pulmonary Nodules in CT Scans
本文對基於深度學習的計算機輔助診斷（CADx）進行了全面的研究，通過避免由於圖像處理結果不準確（例如邊界分割）而引起的潛在錯誤，來對良性和惡性結節/病變進行鑑別診斷。以及大多數常規CADx算法所涉及的功能不強的功能集所導致的分類偏差。具體而言，在兩個CADx應用程序上採用了堆疊式去噪自動編碼器（SDAE），用於區分乳腺超聲病變和肺部CT結節。SDAE體系結構很好地配備了自動特徵探索機制和噪聲容限優勢，因此可能適合處理來自各種成像方式的醫學圖像數據的固有噪聲特性。
心臟相關
1、Recognizing end-diastole and end-systole frames via deep temporal regression network
本文提出了一種新穎的深度學習架構，稱爲時間迴歸網絡（TempReg-Net），通過將卷積神經網絡（CNN）與遞歸神經網絡（RNN）集成來從MRI序列中準確識別特定幀。具體而言，CNN對心臟序列的空間信息進行編碼，而RNN對時間信息進行解碼。此外，我們在網絡中設計了一個新的損失函數來約束預測標籤的結構，從而進一步提高了性能。我們的方法在數千個心臟序列上得到了廣泛驗證，平均差異僅爲0.4幀，與以前的系統相比非常好。
2、Improving Computer-Aided Detection Using Convolutional Neural Networks and Random View Aggregation Neural Networks
設計了一個兩層的粗到精級聯框架，該框架首先以100％的敏感度但在較高FP水平下運行候選生成系統。通過利用現有的CAD系統，在此步驟中將生成病變候選區域或感興趣區域（ROI或VOI）的座標，並將其用作第二層的輸入，這是本研究的重點。在第二階段，通過比例轉換，隨機平移和相對於每個ROI質心座標的旋轉採樣來生成2D或2.5D視圖。這些隨機視圖用於訓練深度卷積神經網絡（ConvNet）分類器。在測試中，訓練有素的ConvNet被用於爲新的N組隨機視圖分配類別（例如，病變，病理）概率，然後將其在每個ROI取平均值，以計算最終的每個候選分類概率。第二層的行爲是高度選擇性的過程，可以在保留高靈敏度的同時拒絕困難的誤報。
眼睛相關
1、Automatic Feature Learning to Grade Nuclear Cataracts Based on Deep Learning
論文提出了一種系統，可以從裂隙燈圖像中自動學習用於爲核性白內障嚴重程度分級的功能。首先通過對來自相同等級的鏡片圖像斑塊進行聚類來獲取局部濾波器。所學習的濾波器被饋送到卷積神經網絡，然後是一組遞歸神經網絡，以進一步提取高階特徵。利用這些功能，可以應用支持向量迴歸來確定白內障等級。
2、Fast Convolutional Neural Network Training Using Selective Data Sampling: Application to Hemorrhage Detection in Color Fundus Images
本文提出了一種通過在訓練過程中動態選擇分類錯誤的負樣本來改進和加速對醫學圖像分析任務進行CNN訓練的方法。根據CNN的當前狀態，通過分類對訓練樣本進行啓發式採樣。權重分配給了訓練樣本，而信息樣本更可能包含在下一個CNN訓練迭代中。通過訓練帶有（SeS）和不帶有（NSeS）選擇性採樣方法的CNN來評估和比較我們提出的方法。論文的方法專注於彩色眼底圖像中出血的檢測。
3、A Fully Convolutional Neural Network based Structured Prediction Approach Towards the Retinal Vessel Segmentation
從眼底圖像自動分割視網膜血管在計算機輔助診斷視網膜疾病中起着重要作用。 由於血管背景在嘈雜背景下的極端變化，因此血管分割的任務具有挑戰性。在本文中，將分割任務表述爲多標籤推理任務，並利用了卷積神經網絡和結構化預測相結合的隱含優勢。論文提出的基於卷積神經網絡的模型具有強大的性能，並且以95.33％的準確度和0.974 AUC評分明顯優於DRIVE數據集上的自動視網膜血管分割技術。
肝臟相關
1、SurvivalNet: Predicting patient survival from diffusion weighted magnetic resonance images using cascaded fully convolutional and 3D convolutional neural networks
肝細胞癌（HCC）惡性程度的自動非侵入性評估可能會大大增強HCC患者的腫瘤治療策略。在這項工作中，論文提出了一個新穎的框架，可以從DWI圖像中自動錶徵HCC病變的惡性程度。主要分兩步預測HCC惡性程度：第一步，使用級聯的全卷積神經網絡（CFCN）自動分割HCC腫瘤病變。然後，一個3D神經網絡（SurvivalNet）通過HCC腫瘤分割預測HCC病變的惡性程度。論文將此任務表述爲分類問題，其中類別爲“低風險”和“高風險”，其生存時間比中位生存期更長或更短。論文評估了31例HCC患者的DWI方法，提出的框架實現了65％的端到端準確度，基於專家註釋的自動病變分割的Dice評分爲69％，腫瘤惡性分類的準確度爲68％。
2、Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields
肝臟及其病變的自動分割是爲準確的臨牀診斷和計算機輔助決策支持系統獲得定量生物標誌物的重要步驟。本文提出了一種使用級聯的完全卷積神經網絡（CFCN）和密集3D條件隨機場（CRF）自動分割CT腹部圖像中的肝臟和病變的方法。
3、Automatic Liver and Tumor Segmentation of CT and MRI Volumes using Cascaded Fully Convolutional Neural Networks
本文提出了一種使用級聯的完全卷積神經網絡（CFCN）自動分割CT和MRI腹部圖像中的肝臟和病變的方法，從而可以對大型醫學試驗或定量圖像分析進行分割。我們訓練並級聯兩個FCN，以對肝臟及其病變進行聯合分割。第一步，我們訓練FCN來分割肝臟，作爲第二個FCN的ROI輸入。第二個FCN僅在步驟1的預測肝臟ROI內分割病變。在包含100個肝腫瘤體積的腹部CT數據集上訓練CFCN模型。對其他數據集的驗證表明，基於CFCN的語義肝臟和病變分割對肝臟的Dice得分超過94％，計算時間低於每體積100s。
4、SurvivalNet: Predicting patient survival from diffusion weighted magnetic resonance images using cascaded fully convolutional and 3D convolutional neural networks
肝細胞癌（HCC）惡性程度的自動非侵入性評估可能會大大增強HCC患者的腫瘤治療策略。在這項工作中，提出了一個新穎的框架，可以從DWI圖像中自動錶徵HCC病變的惡性程度。論文分兩步預測HCC惡性程度：第一步，使用級聯的全卷積神經網絡（CFCN）自動分割HCC腫瘤病變。接着，一個3D神經網絡（SurvivalNet）通過HCC腫瘤分割預測HCC病變的惡性程度。論文將此任務表述爲分類問題，其中類別爲“低風險”和“高風險”，其生存時間比中位生存期更長或更短。
5、3D Deeply Supervised Network for Automatic Liver Segmentation from CT Volumes
從CT量自動進行肝分割是計算機輔助肝病診斷和治療的關鍵前提，也是一項艱鉅的任務。本文提出了一種新穎的3D深度監督網絡（3D DSN），以解決這一艱鉅的任務。3D DSN充分利用了卷積的架構，該架構可以執行高效的端到端學習和推理。更重要的是，在學習過程中引入了深度監督機制來應對潛在的優化難題，因此該模型可以獲得更快的收斂速度和更強大的判別能力。在3D DSN生成的高質量得分圖的基礎上，進一步採用條件隨機場模型來獲得精確的分割結果。
乳腺相關
1、Unsupervised deep learning applied to breast density segmentation and mammographic risk scoring
通常，通過從乳房X線照片中提取一組手工製作的特徵，並將響應直接或間接與乳腺癌風險相關聯，可以自動進行乳房X射線風險評分。論文提出了一種從未標記數據中學習特徵層次的方法。當將學習到的特徵用作簡單分類器的輸入時，可以解決兩個不同的任務：乳房密度分割和乳房X線攝影紋理評分。所提出的模型在多個尺度上學習特徵。 爲了控制模型的容量，引入了一種新的稀疏正則化器，該稀疏正則化器結合了生命週期和種羣稀疏性。
2、Deep multi-instance networks with sparse label assignment for whole mammogram classification
乳房X光照片分類與乳腺癌的計算機輔助診斷直接相關。傳統方法需要付出巨大的努力才能通過昂貴的手動標註和專用的計算模型對訓練數據進行註釋，以在測試期間檢測這些註釋。受到成功使用深度卷積特徵進行自然圖像分析和多實例學習以標記一組實例/斑塊的啓發，論文提出了基於端到端訓練有素的深度多實例網絡，用於基於整個乳房X線照片的質量分類。本文探索了三種不同的方案來構建用於整個乳房X線照片分類的深層多實例網絡。在INbreast數據集上的實驗結果證明，與以前在訓練中使用分段和檢測註釋的工作相比，深層網絡的魯棒性更高。
3、Adversarial Deep Structured Nets for Mass Segmentation from Mammograms
提出了一種用於乳腺X線攝影質量分割的新型端到端網絡，該網絡採用完全卷積網絡（FCN）來對潛在功能進行建模，然後使用條件隨機場（CRF）進行結構化學習。由於質量分佈隨像素位置而變化很大，因此將FCN與位置先驗組合在一起。此外，論文采用對抗訓練來消除由於乳房X線照片數據集的小尺寸而導致的過擬合併採用多尺度FCN來提高分割性能。在兩個公共數據集INbreast和DDSMBCRP上的實驗結果表明，論文中的端到端網絡比最先進的方法具有更好的性能。
皮膚相關
1、Multi-resolution-tract CNN with hybrid pretrained and skin-lesion trained layers
提出了一種用於皮膚病變分類的新穎卷積神經網絡（CNN）體系結構，旨在利用來自多個圖像分辨率的信息來學習，同時利用預訓練的CNN。傳統的CNN通常在單一分辨率的圖像上進行訓練，而論文的CNN由多個區域組成，其中每個區域同時分析不同分辨率的圖像，並使用相同的視野學習多個圖像分辨率之間的交互作用。將經過單分辨率預訓練的CNN轉換爲多分辨率輸入，整個網絡在具有輔助損耗功能的全面學習的端到端優化中進行了微調。論文展示了提出的多道網絡在公共皮膚病變數據集上產生更高的分類精度，並且勝過最新的多尺度方法。
醫學三維重建
1、A Deep Cascade of Convolutional Neural Networks for Dynamic MR Image Reconstruction
受深度學習最新進展的啓發，論文提出了一個框架，該框架使用卷積神經網絡（CNN）的深層級聯從欠採樣數據中重建2D心臟磁共振（MR）圖像的動態序列，以加速數據採集過程。特別是，論文解決了使用主動笛卡爾欠採樣獲取數據的情況。首先，在獨立重建每個2D圖像幀時，在重建誤差和重建速度方面，提出的方法優於諸如基於字典學習的MR圖像重建等最新的2D壓縮傳感方法。其次，當聯合重建序列的幀時，證明了CNN可以通過結合卷積和數據共享方法來有效地學習時空相關性。論文表明，所提出的方法始終優於最新技術，並且能夠忠實地保留高達11倍欠採樣的解剖結構。而且，重建速度非常快：每個完整的動態序列都可以在不到10s的時間內重建，對於2D情況，每個圖像幀都可以在23ms內重建，從而實現了實時應用。
其它
1、Quantifying Radiographic Knee Osteoarthritis Severity using Deep Convolutional Neural Networks
本文提出了一種新的方法，可以使用深度卷積神經網絡（CNN）從X射線照片中自動量化膝關節骨關節炎（OA）的嚴重程度。
2、A Deep Semantic Mobile Application for Thyroid Cytopathology
甲狀腺細胞病理學是研究甲狀腺病變和疾病診斷的病理學分支。病理學家查看由於不同的解剖結構和病理特徵而可能具有高度視覺差異的細胞圖像。爲了幫助醫生識別和搜索圖像，論文提出了一種深度語義移動應用程序，豐富了病理學和機器學習技術的數字化方面的最新進展，在這些領域，計算機爲病理學家提供了變革性的機會。論文提出的系統使用自定義的甲狀腺本體，可以使用深度學習技術從圖像中提取的多媒體元數據進行擴充。本文描述了一種特殊的方法，深層卷積神經網絡，對細胞病理學分類的應用。論文的方法能夠將經過數百萬張通用圖像訓練的網絡用於只有數百或數千張圖像的醫療場景。
3、Standard Plane Localization in Fetal Ultrasound via Domain Transferred Deep Neural Networks
在超聲視頻中包含複雜解剖結構的標準平面的自動定位仍然是一個具有挑戰性的問題。本文提出了一種基於學習的方法，通過構建域轉移深度卷積神經網絡（CNN）在US視頻中定位胎兒腹部標準平面（FASP）。與以前的基於低級特徵的作品相比，論文的方法能夠代表FASP的複雜外觀，從而獲得更好的分類性能。
更重要的是，爲了減少由少量訓練樣本引起的過度擬合問題，提出了一種轉移學習策略，該策略將經過訓練的基本CNN底層的知識從大量的自然圖像數據庫轉移到我們的任務中-特定的CNN。大量的實驗表明，論文的方法優於僅在有限的US訓練樣本上進行訓練的FASP本地化和CNN訓練的最新方法。所提出的方法可以輕鬆地擴展到其他類似的醫學圖像計算問題，當利用深層CNN來表示高級特徵時，這些問題通常會受到訓練樣本不足的困擾。
4、Automated anatomical landmark detection ondistal femur surface using convolutional neural network
在3D醫學圖像中，股骨遠端骨骼的解剖標誌的準確定位對於膝蓋手術和生物力學分析非常重要。但是，landmark識別過程通常是手動進行的，也可能是通過使用插入的輔助工具進行的，這既耗時又缺乏準確性。本文提出了一種自動定位方法來確定3D MR圖像中股骨表面上初始幾何界標的位置。基於卷積神經網絡（CNN）分類器和形狀統計數據的結果，論文使用窄帶圖切割優化來實現股骨表面的3D分割。最後，根據表面網格的幾何提示，將解剖學界標定位在股骨上。 實驗表明，該方法有效，高效，可靠地分割了股骨並定位瞭解剖標誌。
5、An artificial agent for anatomical landmark detection in medical images
快速而強大的解剖結構或病理學檢測是醫學圖像分析中的一項基本任務。然而，當前的大多數解決方案都不是最優的，並且通過學習外觀模型並詳盡地掃描參數空間以檢測特定的解剖結構而不受限制。另外，與外觀模型或搜索策略有關的典型特徵計算或元參數估計是基於局部準則或預定義的近似方案的。通過將對象外觀和參數搜索策略同時建模爲人工代理的統一行爲任務，論文提出了一種遵循根本不同範例的新學習方法。該方法將通過強化學習實現的行爲學習的優勢與通過深度學習實現的有效分層特徵提取相結合。論文表明，僅給出一系列帶註釋的圖像，該代理即可自動和策略性地學習收斂到所需的解剖界標位置的最佳路徑，而不是窮舉地掃描整個解決方案空間。該方法在2D磁共振圖像，2D超聲和3D CT圖像的準確性和速度方面都大大優於最新的機器學習和深度學習方法，實現了1-2個像素的平均檢測誤差，同時還認識到了這種缺陷圖像中的對象。
6、Real-time Standard Scan Plane Detection and Localisation in Fetal Ultrasound using Fully Convolutional Neural Networks
胎兒中期妊娠掃描通常根據固定方案進行。異常的準確檢測和正確的生物測定測量取決於正確獲取清晰定義的標準掃描平面。定位這些標準飛機需要高水平的專業知識。但是，全球範圍內缺乏專業的超聲醫師。本文考慮了基於卷積神經網絡的全自動系統，該系統可以檢測到英國胎兒異常篩查計劃定義的十二個標準掃描平面。網絡設計允許實時推斷，並且可以自然擴展以提供圖像中胎兒解剖結構的近似定位。這樣的框架可以用於自動化或協助選擇掃描平面，或者用於從記錄的視頻中追溯檢索掃描平面。
7、Model-Based Segmentation of Vertebral Bodies from MR Images with 3D CNNs
論文提出了一種自動方法，該方法是根據可變形模型與卷積神經網絡（CNN）耦合從三維（3D）磁共振（MR）脊柱圖像進行椎體（VB）的有監督分割。
