1. S. Kevin Zhou, H. Greenspan, C. Davatzikos, J.S. Duncan, B. van Ginneken, A. Madabhushi, J.L. Prince, D. Rueckert, and R.M. Summers, “A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises,” Proceedings of the IEEE, 2021.
摘要：自其复兴以来，深度学习已广泛用于各种医学成像任务，并在许多医学成像应用中取得了显著成功，从而将我们带入了所谓的人工智能（AI）时代。众所周知，人工智能的成功主要归功于具有单个任务注释的大数据的可用性以及高性能计算的进步。但是，医学成像提出了深度学习方法面临的独特挑战。在本篇综述文章中，我们首先介绍医学成像的特征，强调医学成像的临床需求和技术挑战，并描述深度学习的新兴趋势如何解决这些问题。我们涵盖了网络结构，稀疏和有噪标签，联邦学习，可解释性，不确定性量化等主题。然后，我们介绍了一些在临床实践中常见的案例研究，包括数字病理学以及胸部，大脑，心血管和腹部成像。我们没有介绍详尽的文献调查，而是描述了与这些案例研究应用相关的一些突出的研究重点。最后，我们讨论并提出了有希望的未来方向。
期刊简介：Proceedings of the IEEE是提供有关电子，电气和计算机工程以及计算机科学领域技术发展的深入综述，调查和教程报道的顶级期刊。影响因子10.252。
2. W. Zhang, M. Sun, Y. Fan, H. Wang, M. Feng, S. Kevin Zhou and R. Wang, “Machine learning in preoperative prediction of postoperative immediate remission of Cushing’s disease”, Frontiers in Endocrinology, 2021.
背景：目前尚未建立的准确模型可以使用机器学习（ML）方法来术前预测被诊断为组织学阳性Cushing’s disease（CD）的患者经蝶窦手术（TSS）术后的是否能立刻缓解。目的：我们当前的研究旨在设计和评估基于ML的模型，以在术前预测CD患者TSS后的立即缓解。方法：本研究共纳入20年（2000年2月至2019年9月）在北京协和医院接受TSS的1,045名CD参与者。总共使用了9个ML分类器来构建基于术前因素的术前预测模型。利用ROC曲线下面积（AUC）评估了每个基于ML的模型的性能。结果：总体即时缓解率为73.3％（766/1045）。首次手术（p <0.001），术前MRI海绵窦浸润（p <0.001），肿瘤大小（p <0.001），术前ACTH（p = 0.008）和患病时间（p = 0.010）与立即缓解非常相关根据逻辑单变量分析。这些模型的AUC介于0.664和0.743之间。最高的AUC（即最佳的性能）为0.743，这是通过具有四个因素的堆叠集成方法实现的：首次手术，术前MRI上海绵窦侵犯，术前肿瘤大小和术前ACTH。结论：我们开发了一种易于使用的基于ML的模型，用于在CD患者术前预测即时缓解。
期刊简介：Frontiers in Endocrinology发表经过严格的同行评审的研究，从基本的分子和细胞通讯到临床护理，加深了我们对内分泌系统的理解，并引导了针对某些最普遍的健康问题的新型疗法，例如肥胖，糖尿病，生殖和衰老。影响因子：3.644。
3. G. Shi, L. Xiao, Y. Chen, and S. Kevin Zhou, “Marginal loss and exclusion loss for partially supervised multi-organ segmentation,” Medical Image Analysis, 2021.
摘要：在医学图像中注释多个器官既昂贵又费时，因此，现有的带有标签的多器官数据集的样本量通常很少，而且大多是部分标记的，也就是说，一个数据集具有一些被标记的器官，但并不是所有的器官。在本文中，我们研究了如何联合此类数据集来学习一个多器官分割单模型网络。为此，我们提出了两种新的损失函数，专门针对这种情况而设计：（i）marginal 损失函数和（ii）exclusion 损失函数。因为部分标记图像的背景标签实际上是所有未标记器官和“真实”背景标签的并集（在完整标签的意义上），所以此“合并”背景标签的概率为marginal probability，在合并之前对相关概率进行求和。可以将这种marginal probability插入任何现有的损失函数（例如交叉熵损失，Dice损失等）中以形成marginal损失。利用器官不重叠的事实，我们提出exclusion损失以衡量标记器官与未标记器官的估计分割之间的差异。在肝脏，脾脏，左右肾脏和胰腺的多器官分割中对五个基准数据集的联合实验表明，使用我们新提出的损失函数可以为最新方法带来显着的性能改善，而无需引入任何额外的计算。
期刊简介：Medical Image Analysis（MIA）是医学影像分析领域的顶级期刊，为医学和生物图像分析领域的新研究成果的传播提供了一个论坛，特别强调了与将计算机视觉，虚拟现实和机器人技术应用于生物医学成像问题相关的努力。 该杂志发表了最高质量的原创论文，这些论文为处理，分析和利用医学和生物图像的基础科学做出了贡献。影响因子：11.148。
4. Q. Yao, L. Xiao, P. Liu, and S. Kevin Zhou, “Label-free segmentation of COVID-19 lesions in lung CT,” IEEE Trans. on Medical Imaging, 2021. (accepted)
摘要：新冠肺炎CT病灶分割非常依赖于数据的标注，然而标注数据会消耗过多的人力物力，从而阻碍新冠病灶自动分割算法的应用。为了减轻数据注释的负担，我们在此提出了一种通过像素级异常检测模型，该模型从正常的CT肺部扫描中挖掘了相关的知识，从而准确将新冠肺炎当作异常从而进行分割。我们的灵感来自于一个事实：相比多样的病灶，胸腔中健康的组织（比如血管和器官）有着固定有规律的特征，而且容易找到大量的数据。为了促进在像素级别上学习到此类特征，我们使用了一系列非常简单的操作来合成丰富的“病灶”，并将合成的“病变”插入正常的CT肺部扫描以形成训练对。丰富的病灶可以让网络准确理解并分割健康的组织，从而得到一个分割正常组织的网络（NormNet）。我们在三个不同的数据集上进行的实验验证了NormNet的有效性，该性能明显优于各种无监督的异常检测（UAD）方法。
期刊简介：IEEE Transactions on Medical Imaging（T-MI）是医学影像分析领域的顶级期刊，鼓励提交有关身体结构，形态和功能成像的手稿，包括细胞和分子成像以及所有形式的显微镜检查。 该期刊发表了通过包括超声，X射线，磁共振，放射性核素，微波和光学方法在内的方法实现的医学成像方面的原创性贡献。 鼓励做出贡献来描述新颖的采集技术，医学图像处理和分析，可视化和性能，模式识别，机器学习以及相关方法。涉及高技术角度的研究是最受欢迎的。影响因子：6.685。