（十八：2020.10.10）MICCAI 2020 追踪之论文纲要（译）＜上＞

讲在前面

暂时先更新PART I, 持续更新。

论文目录

PART I 《Machine Learning Methodologies 机器学习方法》

论文	概要
1.Attention, Suggestion and Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation 注意，建议和注释：用于生物医学图像分割的深度学习框架	分割、框架
2.Scribble2Label: Scribble-Supervised Cell Segmentation via Self-generating Pseudo-Labels with Consistency Scribble2Label：通过具有一致性的自生成伪标签，对涂鸦进行监督的细胞分割	标签、细胞、分割
3.Are Fast Labeling Methods Reliable? A Case Study of Computer-Aided Expert Annotations on Microscopy Slides 快速标记方法可靠吗？ 显微镜载玻片上计算机辅助专家注释的案例研究	开源代码、注释、显微镜图像
4.Deep Reinforcement Active Learning for Medical Image Classification 深度强化主动学习用于医学图像分类	分类、强化主动学习
5.An Effective Data Refinement Approach for Upper Gastrointestinal Anatomy Recognition 一种有效的数据提炼方法，用于上消化道解剖学识别	上消化道、胃镜图像分割
6.Synthetic Sample Selection via Reinforcement Learning 通过强化学习选择合成样本	强化学习合成医学图像
7.Dual-Level Selective Transfer Learning for Intrahepatic Cholangiocarcinoma Segmentation in Non-enhanced Abdominal CT 非增强型腹部CT的肝内胆管癌分割的双重选择迁移学习。	肝内胆管癌、迁移学习
8.BiO-Net: Learning Recurrent Bi-directional Connections for Encoder-Decoder Architecture BiO-Net：学习用于编码器-解码器体系结构的重复双向连接	开源代码、unet改进
9.Constrain Latent Space for Schizophrenia Classification via Dual Space Mapping Net 通过双重空间映射网约束精神分裂症分类的潜在空间	神经影像
10.Have You Forgotten? A Method to Assess if Machine Learning Models Have Forgotten Data 你忘记了吗？ 一种评估机器学习模型是否忘记了数据的方法	增加数据多样性以提高模型泛化能力的反向操作，让模型忘记新加入的数据
11.Learning and Exploiting Interclass Visual Correlations for Medical Image Classification 学习和利用类间视觉关联进行医学图像分类	皮肤影像、解决过拟合的一种网络、软硬标签
12.Feature Preserving Smoothing Provides Simple and Effective Data Augmentation for Medical Image Segmentation 保留特征的平滑功能为医学图像分割提供简单有效的数据增强	数据增强的方式
13.Deep kNN for Medical Image Classification 用于医学图像分类的Deep kNN	小病种的分类方案
14.Learning Semantics-Enriched Representation via Self-discovery, Self-classification, and Self-restoration 通过自我发现，自我分类和自我修复学习丰富的语义表示	开源代码、语义分割、CT/MRI/X等模态、自监督
15.DECAPS: Detail-Oriented Capsule Networks DECAPS：面向细节的胶囊网络	胶囊网络、分类、病灶定位、CheXpert和RSNA肺炎数据集
16.Federated Simulation for Medical Imaging 医学成像联合仿真	联合仿真框架、应对模型无法满足所有厂商CT影响的问题
17.Continual Learning of New Diseases with Dual Distillation and Ensemble Strategy 双重蒸馏和集成策略对新疾病的持续学习	疾病诊断和分类、不忘旧知识学习新知识
18.Learning to Segment When Experts Disagree 在专家不同意时学习细分	标签优化、监督学习
19.Deep Disentangled Hashing with Momentum Triplets for Neuroimage Search 动量三联体的深度解散散列用于神经图像搜索	神经图像
20.Learning Joint Shape and Appearance Representations with Metamorphic Auto-Encoders 使用变形自动编码器学习关节形状和外观表示	BraTs 2018、关节形状
21.Collaborative Learning of Cross-channel Clinical Attention for Radiotherapy-Related Esophageal Fistula Prediction from CT 通过CT进行食道瘘管预测的跨渠道临床注意力的协作学习	注意力、食道癌
22.Learning Bronchiole-Sensitive Airway Segmentation CNNs by Feature Recalibration and Attention Distillation 利用注意力蒸馏和特征校准实现细支气管分割CNN	注意力、气管分割
23.Learning Rich Attention for Pediatric Bone Age Assessment 通过注意力机制来评估小儿骨龄	注意力、骨头
24.Weakly Supervised Organ Localization with Attention Maps Regularized by Local Area Reconstruction 通过局部重建规则化注意图进行弱监督器官定位	器官分割前的定位、注意力、胸部CT数据集、肾脏KiTS19
25.High-Order Attention Networks for Medical Image Segmentation 用于医学图像分割的高阶注意力网络	高阶注意力、REFUGE和Drishti-GS1数据集、用于血管分割的DRIVE和用于肺分割的LUNA
26.NAS-SCAM: Neural Architecture Search-Based Spatial and Channel Joint Attention Module for Nuclei Semantic Segmentation and Classification NAS-SCAM：基于神经体系结构搜索的空间和通道联合注意模块，用于核语义分割和分类	开源代码、不同器官细胞核语义分割、MoNuSAC 2020数据集
27.Scientific Discovery by Generating Counterfactuals Using Image Translation 通过使用图像翻译生成事实来进行科学发现	模型解释技术、黑盒可视化技术
28.Interpretable Deep Models for Cardiac Resynchronisation Therapy Response Prediction 可解释的深度模型，用于心脏再同步治疗反应预测	模型解释
29.Encoding Visual Attributes in Capsules for Explainable Medical Diagnoses 在胶囊中编码视觉属性以进行可解释的医学诊断	开源代码、胶囊网络
30.Interpretability-Guided Content-Based Medical Image Retrieval 基于可解释性指导的基于内容的医学图像检索	开源代码、医学图像检索系统
31.Domain Aware Medical Image Classifier Interpretation by Counterfactual Impact Analysis 基于反事实影响分析的领域感