1.11论文速递

《Enhanced Muscle and Fat Segmentation for CT-Based Body Composition Analysis: A Comparative Study》

基于 CT 的身体成分分析的增强肌肉和脂肪分割：比较研究
单位：美国国立卫生研究院, 沃尔特·里德国家军事医学中心

论文链接：https://arxiv.org/pdf/2401.05294.pdf

本文评估了SAROS 数据集中的 900 个 CT 系列的工具，重点关注肌肉、皮下脂肪和内脏脂肪分割，证明该内部工具性能表现出色！在提高身体成分分析准确性方面的潜力！

目的：常规腹部 CT 的身体成分测量可以对无症状和患病患者进行个性化风险评估。 特别是，肌肉和脂肪的衰减和体积测量与重要的临床结果相关，例如心血管事件、骨折和死亡。 本研究评估了用于分割肌肉和脂肪（皮下和内脏）的内部工具与成熟的公共 TotalSegmentator 工具相比的可靠性。 方法：我们评估了公开的 SAROS 数据集中的 900 个 CT 系列的工具，重点关注肌肉、皮下脂肪和内脏脂肪。 Dice 评分用于评估皮下脂肪和肌肉分割的准确性。 由于缺乏内脏脂肪的真实分割，因此利用 Cohen 的 Kappa 来评估工具之间的分割一致性。 结果：我们的内部工具在皮下脂肪方面的 Dice 提高了 3%（83.8 比 80.8），在肌肉分割方面分别提高了 5%（87.6 比 83.2）。 Wilcoxon 符号秩检验显示我们的结果具有统计学差异，p<0.01。 对于内脏脂肪，Cohen 的 kappa 得分为 0.856，表明两种工具之间几乎完美一致。 我们的内部工具还显示，肌肉体积 (R^2=0.99)、肌肉衰减 (R^2=0.93)
和皮下脂肪体积 (R^2=0.99) 之间具有非常强的相关性，而皮下脂肪衰减 (R^2=0.99) 具有中等相关性。 ^2=0.45）。 结论：我们的研究结果表明，我们的内部工具在测量皮下脂肪和肌肉方面优于 TotalSegmentator。 内脏脂肪的高 Cohen Kappa 分数表明两种工具之间具有可靠的一致性。 这些结果证明了我们的工具在提高身体成分分析准确性方面的潜力。

《MISS: A Generative Pretraining and Finetuning Approach for Med-VQA》

MISS：Med-VQA(医学视觉问答) 的生成式预训练和微调方法

单位：复旦大学等

论文链接：https://arxiv.org/pdf/2401.05163.pdf

MISS：一种用于医学视觉问答(Med-VQA)任务的基于大规模多任务自监督学习的框架，将Med-VQA视为一项生成任务，统一文本和多模态编码器，并通过多任务学习对齐图像文本特征，性能表现出色！

医学视觉问答（VQA）是一项具有挑战性的多模态任务，其中视觉语言预训练（VLP）模型可以有效提高泛化性能。 然而，医学领域的大多数方法将VQA视为答案分类任务，很难迁移到实际应用场景。此外，由于医学图像的隐私性和昂贵的注释过程，严重缺乏用于预训练的大规模医学图像-文本对数据集。 在本文中，我们提出了一种用于医学 VQA 任务的基于大规模多任务自监督学习的框架（MISS）。 与现有方法不同，我们将医学 VQA 视为一项生成任务。 我们统一文本编码器和多模态编码器，并通过多任务学习对齐图像文本特征。 此外，我们提出了一种Transfer-and-Caption方法，该方法使用大语言模型（LLM）扩展单模态图像数据集的特征空间，使这些传统的医学视觉领域任务数据能够应用于 VLP。 实验表明，我们的方法用较少的多模态数据集取得了优异的结果，并展示了生成式 VQA 模型的优势。

《U-Mamba: Enhancing Long-range Dependency for Biomedical Image Segmentation》

U-Mamba：生物医学图像分割新网络

单位：大学健康网络(UHN), 多大

论文链接：https://arxiv.org/pdf/2401.04722.pdf
代码链接：https://github.com/bowang-lab/U-Mamba

U-Mamba：生物医学图像的通用分割新网络，引入混合 CNN-SSM 模块，在四种不同任务（器官分割、器械分割、细胞分割等）上性能均表现SOTA！

卷积神经网络（CNN）和 Transformer 一直是生物医学图像分割最流行的架构，但由于固有的局部性或计算复杂性，它们处理远程依赖性的能力有限。 为了应对这一挑战，本文提出了 U-Mamba，一种用于生物医学图像分割的通用网络。 受状态空间序列模型（SSM）这一新的深度序列模型家族的启发，该模型以其处理长序列的强大能力而闻名，我们设计了一个混合 CNN-SSM 模块，它将卷积层的局部特征提取能力与以下能力集成在一起： 用于捕获远程依赖性的 SSM。 此外，U-Mamba 具有自我配置机制，无需人工干预即可自动适应各种数据集。 我们对四种不同的任务进行了广泛的实验，包括 CT 和 MR 图像中的 3D 腹部器官分割、内窥镜图像中的器械分割以及显微镜图像中的细胞分割。 结果表明，U-Mamba 在所有任务中都优于最先进的基于 CNN 和 Transformer 的分割网络。 这为生物医学图像分析中高效的远程依赖性建模开辟了新途径。