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:
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