CVPR2024 医学图像相关论文

最新推荐文章于 2025-09-09 20:24:13 发布

原创

最新推荐文章于 2025-09-09 20:24:13 发布 · 5.1k 阅读

65 ·

CC 4.0 BY-SA版权

文章标签：

#CVPR #医学图像

CVPR2024 医学图像相关论文

B站：肆十二-的个人空间-肆十二-个人主页-哔哩哔哩视频 (bilibili.com)

博客：肆十二-CSDN博客

问答：(10 封私信 / 72 条消息) 肆十二 - 知乎 (zhihu.com)

持续更新中

原始GIT地址：https://github.com/MedAIerHHL/CVPR-MIA

Recent papers about medical images published on CVPR. [Github]

To complement or correct it (highlight, oral, and so on), please contact me at 3045834499 [at] qq [dot] com or send a pull request .

Last updated: 2024/06/14

CVPR2024

Image Reconstruction (图像重建)

QN-Mixer: A Quasi-Newton MLP-Mixer Model for Sparse-View CT Reconstruction. [Paper] [Code][Project]
Fully Convolutional Slice-to-Volume Reconstruction for Single-Stack MRI. [Paper] [Code]
Structure-Aware Sparse-View X-ray 3D Reconstruction.[Paper] [Code]
Progressive Divide-and-Conquer via Subsampling Decomposition for Accelerated MRI. [Paper] [Code]

Image Resolution (图像超分)

Learning Large-Factor EM Image Super-Resolution with Generative Priors. [Paper] [Code] [Video]
CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data. [Paper] [Code]

Image Registration (图像配准)

Modality-Agnostic Structural Image Representation Learning for Deformable Multi-Modality Medical Image Registration. [Paper]
[Oral & Best Paper Candidate!!!] Correlation-aware Coarse-to-fine MLPs for Deformable Medical Image Registration. [Paper] [Code]

Image Segmentation (图像分割)

PrPSeg: Universal Proposition Learning for Panoramic Renal Pathology Segmentation. [Paper]

摘要：了解肾脏病理学的解剖结构对于推动疾病诊断、治疗评估和临床研究至关重要。复杂的肾脏系统包括多个层级的各种组成部分，包括区域（皮质、髓质）、功能单位（肾小球、肾小管）和细胞（足细胞、肾小球内的系膜细胞）。先前的研究主要忽视了临床知识中物体之间复杂的空间相互关系。在这项研究中，我们介绍了一种新颖的通用命题学习方法，称为全景肾脏病理学分割（PrPSeg），旨在通过整合广泛的肾脏解剖学知识，对肾脏内的全景结构进行全面分割。

在本文中，我们提出了（1）肾脏病理学的综合通用命题矩阵设计，便于将分类和空间关系纳入分割过程；（2）基于标记的动态头部单一网络架构，改进了部分标签图像分割，并具备未来数据扩展的能力；以及（3）解剖学损失函数，用于量化肾脏内物体间的关系。
Versatile Medical Image Segmentation Learned from Multi-Source Datasets via Model Self-Disambiguation. [Paper]

摘要：一个适用于通过不同设备和协议获取的图像的通用医学影像分割模型，可以简化模型的部署和维护。然而，构建这样的模型通常需要大量、多样且完全标注的数据集，由于数据整理工作繁重，这样的数据集很难获得。为了应对这一挑战，我们提出了一种成本效益高的替代方案，该方案利用仅具有部分或稀疏分割标签的多源数据进行训练，大大降低了开发通用模型的成本。我们制定了模型自我消歧、先验知识融入和不平衡缓解等策略，以应对多源数据标签不一致所带来的挑战，包括标签歧义以及模态、数据集和类别不平衡等问题。在由八个不同来源编译的用于腹部结构分割的多模态数据集上的实验结果表明，与最先进的替代方法相比，我们的方法有效且性能优越。我们预计，其节省成本的特性将优化现有标注数据的利用，并减少新数据的标注工作，这将在该领域产生重大影响。
Each Test Image Deserves A Specific Prompt: Continual Test-Time Adaptation for 2D Medical Image Segmentation. [Paper] [Code]

摘要：从不同医学中心获取的医学影像普遍存在分布偏移现象，这给在实际应用中部署预训练的语义分割模型带来了重大障碍。测试时适应已证明其在处理推理过程中的跨域分布偏移方面的有效性。然而，大多数现有方法通过更新预训练模型来实现适应，这使得在遇到一系列分布偏移（即在持续测试时适应设置下）时，它们容易受到误差累积和灾难性遗忘的影响。为了克服由模型更新带来的这