WACV 2021 论文大盘点-医学影像篇

本文对WACV 2021中医学相关论文进行总结，包含医学图像分类、分割、着色、合成以及智能诊断报告生成。

共计 8 篇，如有遗漏，欢迎补充。

下载包含这些论文的 WACV 2021 所有论文，请点击：

『WACV 2021 开幕，更偏重技术应用，附论文下载』

脑皮层表面重建

DeepCSR: A 3D Deep Learning Approach for Cortical Surface Reconstruction

本篇文章为 WACV 2021 会议最佳算法论文奖。

神经退行性疾病的研究依赖于从磁共振成像（MRI）中重建和分析大脑皮层。传统的框架，如 FreeSurfer 需要冗长的运行时间，它的加速变种 FastSurfer 仍然依赖于 voxel-wise 分割，这是受其分辨率的限制，捕捉狭窄的连续对象作为皮质表面。

针对以上限制，作者在本研究中，提出 DeepCSR，用于从 MRI 重建皮质表面的 3D 深度学习框架。训练一个具有 hypercolumn（超列）特征的神经网络模型，来预测大脑模板空间中各点的隐式表面表征。训练后，通过评估特定坐标处的表面表征，随后应用 topology correction 算法和 isosurface extraction 方法，得到所需细节水平的皮层表面。

由于此方法的连续性质和其超列特征方案的有效性，DeepCSR 在高分辨率下有效地重建皮层表面，捕捉皮层折叠的精细细节。

另外，DeepCSR比广泛使用的FreeSurfer工具箱及其深度学习驱动的变种FastSurfer在重建MRI的皮质表面上更准确、更精确、更快速，这应该有助于大规模的医学研究和新的医疗应用。

作者 | Rodrigo Santa Cruz, Leo Lebrat, Pierrick Bourgeat, Clinton Fookes, Jurgen Fripp, Olivier Salvado

单位 | CSIRO Health & Biosecurity；昆士兰科技大学；CSIRO Data61

论文 | https://arxiv.org/abs/2010.11423

医学图像分类

Deformable Gabor Feature Networks for Biomedical Image Classification

可变形 Gabor 特征网络（Deformable Gabor feature network，DGFN）利用可变形特征和可学习 Gabor 特征在一个区块中，提高 CNN 的可解释性。

在 CIFAR-10 上成功验证了 Gabor 特征继承的抗噪特性，准确率比基线方法提高了 2%。

DGFN 的特点是既有对变形的适应性，又有泛化自然图像中常见空间变化的鲁棒性。表明其增强的代表能力有利于医学图像分析。

所提出的 Gabor 模块具有通用性和灵活性，可以很容易地应用于现有的CNN，如ResNet 和 DenseNet。

作者 | Xuan Gong, Xin Xia, Wentao Zhu, Baochang Zhang, David Doermann, Lian Zhuo

单位 | 纽约州立大学布法罗分校；北京航空航天大学；Kwai Inc

论文 | https://arxiv.org/abs/2012.04109

Learn Like a Pathologist: Curriculum Learning by Annotator Agreement for Histopatholo