一文详解医学图像最新研究方向！

近 5 年来，“人工智能+”应用于医疗研究已经成为现代科技的热点。一些顶尖医院如梅奥、克里夫兰等都开始与人工智能公司合作，希望成为人工智能医疗应用领域的中心。

根据PubMed近十年的文章发布数目及趋势，可以看出，医学图像领域是当前深度学习研究和应用的热门领域。

本文为大家回顾22年在医学图像领域最新的研究综述以及研究趋势，我特地选了6篇具有代表性的文章为大家叙述，希望对在该领域想发论文的同学带来一些新思路！

该论文提出了一种新的对偶归一化模块，在可推广分割过程中利用增强的源相似和源不同图像。具体来说，给定一个单一的源域，旨在模拟看不见的目标域中可能的外观变化，首先使用非线性变换来增强源相似和源不同图像。然后，为了充分消除这两种类型的增强，提出了基于对偶归一化的模型采用共享骨干但独立的批量归一化层进行单独的归一化。

该论文提出了一种新的SSL算法，称为反课程伪标签（ACPL），它引入了新技术来选择信息丰富的未标记样本，改善训练平衡并允许模型同时适用于多标签和多类问题，并通过分类器的精确集成估计伪标签（提高伪标签的准确性）。而且进行了广泛的实验，以评估两个公共医学图像分类基准的ACPL：胸部X射线14用于胸部疾病多标签分类和ISIC2018用于皮肤病变多类分类。该方法在两个数据集上都优于以前的SOTA SSL方法。

该论文建议通过引入伪袋的概念来虚拟扩大袋子的数量，在此基础上构建双层MIL框架以有效利用内在特征。此外，还有助于在基于注意力的MIL框架下推导实例概率，并利用推导帮助构建和分析所提出的框架。所提出的方法在CAMELYON-16上的表现大大优于其他最新方法，并且在TCGA肺癌数据集上的表现也更好。拟议的框架已准备好扩展，以用于更广泛的媒介与信息素养应用。

该论文建议通过引入伪袋的概念来虚拟扩大袋子的数量，在此基础上构建双层MIL框架以有效利用内在特征。此外，还有助于在基于注意力的MIL框架下推导实例概率，并利用推导帮助构建和分析所提出的框架。所提出的方法在CAMELYON-16上的表现大大优于其他最新方法，并且在TCGA肺癌数据集上的表现也更好。拟议的框架已准备好扩展，以用于更广泛的媒介与信息素养应用。

该论文建议通过引入伪袋的概念来虚拟扩大袋子的数量，在此基础上构建双层MIL框架以有效利用内在特征。此外，还有助于在基于注意力的MIL框架下推导实例概率，并利用推导帮助构建和分析所提出的框架。所提出的方法在CAMELYON-16上的表现大大优于其他最新方法，并且在TCGA肺癌数据集上的表现也更好。拟议的框架已准备好扩展，以用于更广泛的媒介与信息素养应用。

“

高注释成本是将现代深度学习架构应用于临床相关医疗用例的重要瓶颈，证实了对从未标记数据学习的新型算法的需求。该论文提出了ContIG，一种自我监督的方法，可以从未标记的医学图像和遗传数据的大型数据集中学习。该方法使用对比损失在特征空间中对齐图像和几种遗传模式。该论文的程序在所有评估的下游基准任务上都优于最先进的自我监督方法。