2024/9/16论文赏析（均为1区或顶刊

Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation

代码链接：GitHub - xjiangmed/LTUDA

论文链接：Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation (arxiv.org)

多器官分割：发现的问题：在医学图像分割任务中，有标记的器官是有限的，未标记的器官就不容易识别出来（因为背景也往往是没有标记的），特别是对于器官和背景边界不清晰的情况下。

解决问题：文章提出了一种 标记到未标记的分布对齐（LTUDA）框架，文章主要是通过特征分布对齐和增强判别能力来解决这一挑战。

创新点（文章贡献）：1.提出了交叉集数据增强来桥接标记像素和未标记像素的分布

                                    2.设计了一种基于原型的分布对齐方法，该方法隐式地促进了对齐和紧凑特征表示的学习。

                                3.发现了医学图像分割时，未标记与标记的器官突出显示分布不匹配问题

Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels

代码链接：GitHub - charlesyou999648/MONA: Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels

论文链接：https://arxiv.org/abs/2209.13476

发现问题：1. 医学图像中的，常常存在有些图有长拖尾，这使得有些类别的像素在训练过程中远多于其他类别，在训练过程中盲目利用所有像素可能导致数据不平衡问题，从而影响性能。

        2.一致性问题：由于不同解剖特征之间的类内变异，目前尚不清楚分割模型是否徐熙到了有意义且一致的解剖特征

        3.多样性问题，在整个数据集中，单个切片的关联性受到相对少的关注，这对于学习区分不同解剖试图的相似但独特的样本是一个挑战。

创新点：

1. 解决长尾分布问题：针对医学图像数据的长尾类别分布问题，文章提出了一种策略来积极采样更多尾部类别的难样本，以改善模型在不平衡数据集上的泛化能力。

2. 增强一致性和多样性：文章通过构建一组目标，鼓励模型在无监督的方式下将医学图像分解为一系列解剖特征，这些特征在同一类别类型内是同质的，而对于不同类别类型则是有区别的。

-----------------2024.09.25----------------

BPAT-UNet: Boundary preserving assembled transformer UNet for ultrasound thyroid nodule segmentation

代码：https://github.com/ccjcv/BPAT-UNet

发现问题：CNN和Transformers在超声波图像的分割效果不好，因为他们不能获取预测边界信息或分割小目标。

解决策略（创新点）：边界点监督模型（BPSM)，用于加强边界特征，产生理想的边界点。设计了一个AMFFM，来重构在不同尺度大小的融合特征和通道信息。还有ATM部署在网络瓶颈位置。

ADF-Net: A novel adaptive dual-stream encoding and focal attention decoding network for skin lesion segmentation

代码：暂无

发现问题：在实际医学诊断中，一些病变区域存在不同尺寸的，不规则的，模糊的边界，并且背景和病变区域往往具有低对比度，这些使得容易产生分割错误。

创新：提出了ADF-Net模型，他是基于Transformer和CNN模型的多层次混合框架。同时结合了（AFF)适应特征融合，来适应整合全局和局部特征信息；集中注意力译码结构（FAD)，用于可以减少背景噪音，集中注意力在目标区域，促进编码特征，和高层次特征的融合。

论文名称：BCN: Batch Channel Normalization for Image Classification

论文代码：GitHub - AfifaKhaled/Batch-Channel-Normalization

问题：现在流行的高效归一化方法只能应用于一些特定的领域。

        BN对批量大小很敏感，需要较大的批量来准确估计均值和方差，这限制了它在线学习或资源有限情况下的应用。训练与测试不一致：BN在训练时使用批量统计信息，在测试时使用移动平均统计信息，这可能导致训练和测试之间的不一致。

        LN对卷积层效果不佳：LN在处理卷积层时效果不如BN，因为它不利用批量维度信息，这在某些情况下会影响模型的性能。

        GN灵活性不足，GN虽然解决了BN一些问题，但他仍然依赖于固定的分组方式，这可能不适用于所有类型的网络架构。

内部协调变量偏移：

        训练挑战，深度神经网络在训练过程中会遇到内部协变量偏移问题，这会导致训练困难和收敛速度慢。

        泛化能力：优化困难，现有的归一化技术可能在某些任务上无法提供最佳的泛化能力，尤其是复杂的视觉任务中。

CN的提出旨在结合BN和LN的优势，通过以下方式解决上述问题：

• 通道和批量依赖：BCN通过分别沿(N, H, W)和(C, H, W)轴进行归一化，同时考虑通道和批量的信息。
• 自适应参数：BCN引入了自适应参数来平衡不同归一化输出，这使得它能够根据不同的数据集或任务动态调整归一化策略。
• 提高泛化性能：通过实验验证，BCN能够显著提高神经网络的泛化性能，尤其是在小批量尺寸的情况下。
• 易于集成：BCN可以作为一个基本模块轻松集成到现有的模型中，适用于各种计算机视觉应用。

总的来说，BCN的提出是为了克服现有归一化技术的局限性，提供一种更有效、更灵活且具有更好泛化能力的归一化方法。

************************

2024/12/24

论文题目：Selective and Multi-Scale Fusion Mamba for Medical Image Segmentation

优势特点：西北工业，轻量化（0.038M），小样本数据

代码：

解决的问题及优势：之前的模型复杂度比较高，所以利用mamba 做出了更加轻量化，表现更加好的性能。

框架：

selective Fusion 板块

2025.3.4

论文题目：ANOVELFOCALTVERSKYLOSSFUNCTIONWITHIMPROVEDATTENTIONU-NET FORLESIONSEGMENTATION

创新点：提出了一个 针对小面积病灶区 分割的loss函数，提出了一个新的网络模型（多尺度图片输入可以作为参考。