- C. Wang, H. Zhang, Q. Li, K. Shang, Y. Lyu, B. Dong, and S. Kevin Zhou,“Generalizable limited-angle CT reconstruction via sinogram extrapolation,”International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Strasbourg, France, September 2021.
摘要：有限角CT（Computed Tomography）重建是一个非常具有挑战性的任务，尤其是在角度范围极度受限时。无论是解析重建方法，还是迭代重建方法，都需要大量的观测来重建高质量的CT图像，这导致这些方法在这一问题上的效果受限。近来，深度学习方法因其在CT重建任务上的优越表现而得到了广泛的关注，但这类方法在训练数据之外的数据分布上的泛化能力较差。因此，我们通过理论验证引入外插（ExtraPolation）模块，并提出了ExtraPolationNetwork模型。经实验验证，该模型在训练数据集NIH-AAPM上的重建结果达到了sota效果；此外，该模型在训练数据分布外（out-of-distribution）的数据集LIDC和COVID-19上的结果表明该模型提高了深度模型的泛化能力。
- X. Liu, J. Wang, F. Liu, S. Kevin Zhou, “Universal Undersampled MRI Reconstruction,” International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Strasbourg, France, September 2021.
摘要：本文提出了一种用于恢复多器官MRI欠采图像的通用网络。
- Jun Wei, Yiwen Hu, Ruimao Zhang, Zhen Li, S.Kevin Zhou, Shuguang Cui, “Shallow attention network for polyp segmentation,” International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Strasbourg, France, September 2021.
摘要：精确的息肉分割对结直肠癌的诊断具有重要意义。然而，即使深度神经网络具有很强的特征抽取能力，但仍然存在三大挑战阻碍了息肉分割的发展。(i)不同光照仪器下采集的样本颜色不一致，导致特征分布差异和进而导致模型过拟合；(ii)由于重复特征下采样，小息肉区域容易丢失；(iii)前景和背景像素分布不平衡，导致训练得到的是一个有偏模型。为了解决以上问题，我们提出了浅层注意网络(SANet)来分割息肉。具体来说，为了消除颜色的影响，我们设计了颜色交换操作，将图像内容和颜色解耦，迫使模型更多地关注目标的形状和结构。此外，为了提高小息肉的分割质量，我们提出了浅层注意模块来过滤浅层特征的背景噪声。由于浅层特征的高分辨率，小息肉可以被正确保存。此外，为了缓解小息肉严重的像素不平衡，我们为模型推理设计了一种概率修正策略(PCS)。注意，即使PCS没有参与训练阶段，它仍然可以在有偏差的模型上很好地工作，并持续地提高分割性能。我们在五个数据集上验证了SANet的有效性，该方法明显优于之前的方法。
- H. Zhu, Q. Yao, L. Xiao, and S. Kevin Zhou, “You only learn once: Universal anatomical landmark detection,” International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Strasbourg, France, September 2021.
摘要: 在医学图像分析中，关键点检测对于理解生理结构以及自动手术规划起重要的作用。近年来，各种各样的深度神经网络方法被提出用来进行自动地关键点检测。然而，这些方法无一例外都是高度特化的网络结构，即在单一任务上，单一解剖部位上训练，从而这一只任务，这一解剖结构上进行预测。在这篇文章中，基于”You Only Learn Once(YOLO)”（你只需学习一次）的想法，我们第一次提出了在混合多个数据集上实现多个任务的医学关键点检测的端到端通用模型。模型由局部网络和全局网络构成：局部网络受到 Universal UNet 启发，用于学习多域的局部特征，而全局网络设计为领域并行的多个膨胀卷积串行堆叠，用于提取全局特征，并大致定位关键点的位置。值得一提的是，文中提出的模型由极少的参数组成，占用的存储空间更小，训练时间更快。我们在三个 X-ray 数据集上（共1588张图像，62个关键点，包括头部，手部，胸部不同生理结构）评估了YOLO 模型，结果显示，在混合多个数据集训练的情况下，我们模型表现结果极大地优于其他任何模型，甚至超过了在单个数据集训练的模型。
- Lyu, Yuanyuan and Fu, Jiajun and Peng, Cheng and Zhou, S Kevin, “U-DuDoNet: Unpaired dual-domain network for CT metal artifact reduction,”International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Strasbourg, France, September 2021.
摘要：近些年有监督和无监督的深度学习方法已广泛应用于 CT 金属伪影去除（MAR）任务。DuDoNet等监督方法在模拟数据上运行良好；然而，由于domain差异，它们在临床数据上的表现受到限制。无监督方法更通用，但图像域的单独处理不能完全消除伪影。为了结合这两种 MAR 方法的优点，我们提出了一种使用不成对数据训练的不成对双域网络 (UDuDoNet)。与利用多个编码器和解码器解耦图像内容和伪影的ADN不同，我们的 U-DuDoNet 则是通过在正弦图和图像域中直接编码伪影的生成过程，并有理论支撑。我们的设计包括一个自学正弦图先验网络，它为恢复正弦图域中的信息提供指导，以及对不成对数据进行伪影去除和添加提供循环约束。对模拟数据和临床图像的大量实验表明，我们的新框架优于最先进的unpaired方法。
- H. Li, L. Chen, H. Han, and S. Kevin Zhou, “Conditional training with bounding map for universal lesion detection,” International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Strasbourg, France, September 2021.
摘要：计算机断层扫描图像的通用病灶检测（Universal Lesion Detection，ULD）在计算机辅助诊断中起着至关重要的作用。目前，从粗到细的两阶段ULD方法已经取得了良好的检测性能，但这种两阶段的ULD方法仍然存在如训练过程中正负锚框数量不平衡和第二阶段单一的分类分支不能提供足够监督信息等问题。在本研究组的上一工作中，我们利用边界图(BM)作为伪分段掩码来引入额外的监督信息，在一定程度上缓解了上述问题，但如何有效处理ULD任务中不同形状和大小的病灶仍然是一个待解决的问题。在本文中，我们进一步提出了一种基于BM两阶段ULD，它可以(i)通过基于BM的锚框选择机制(BM-based conditioning， BMC)减缓正负锚框的不平衡问题;(ii)基于病变的边界框根据病灶大小自适应的生成BM (size-adaptive BM，ABM)，并将生成的 ABM用于第二阶段的分割分支，以提高病变定位精度。我们基于四个最先进的ULD进行了实验，实验表明提出的方法可以提高他们的检测精度，而且不需要新的人工标注。
- M. Guan, Y. Lyu, W. Cao, X. Wu, J. Lu, and S. Kevin Zhou, “Perceptual quality assessment of chest radiograph,”International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Strasbourg, France, September 2021.
摘要：广泛应用于临床的胸部X线影像或射线照片的质量是影响医生临床决策的一个非常重要的因素。由于目前还没有胸部X线图像质量数据库，通过引入胸部X线图像质量数据库，我们对胸部X线图像的感知质量评估进行了首次研究，该数据库包含2,160张从60 幅参考图像获得的胸部X线图像。为了模拟 X 射线图像的真实噪声，我们添加了不同级别的高斯噪声和泊松噪声，这两种噪声在 X 射线图像中最常见。通过对 74 名受试者（25 名专业医生和 49 名非医生）进行用户实验，收集了平均意见分数 (MOS)。 MOS 的可用性使我们能够设计更有效的图像质量指标。我们使用该数据库训练基于深度神经网络的盲图像质量评估模型，该模型在 Spearman 秩相关系数和 Pearson 线性相关系数方面比传统方法具有更好的性能。我们计划开源整个研究，贡献社区。
- P. Cheng, S. Kevin Zhou, and R. Chellappa, “DA-VSR: Domain adaptable volumetric super-resolution for medical images,” International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Strasbourg, France, September 2021.
摘要：医学图像超分辨率 (SR) 是一个活跃的研究领域，具有许多潜在的应用，包括减少扫描时间、更好的视觉理解、增加下游任务的鲁棒性等。 然而，将基于深度学习的 SR 方法应用于临床应用经常遇到域不一致的问题，因为测试数据可能由不同的机器或从不同的器官获取。在这项工作中，我们提出了一种称为域自适应体超分辨率 (DA-VSR) 的新算法，以更好地弥合域不一致的差异。 DA-VSR 使用一个统一的特征提取主干和一系列网络头来提高不同平面上的图像质量。此外，DA-VSR 利用测试数据上的平面内和平面间分辨率差异来实现自学域适应。因此，DA-VSR 结合了通过监督训练学习的强大特征生成器的优势以及通过无监督学习调整至测试数据特性的能力。通过实验，我们证明 DA-VSR 显着提高了不同领域的众多数据集的超分辨率质量，从而向真正的临床应用迈进了一步。
- Q. Yao, Z. He, Y. Lin, K. Ma, Y. Zheng, and S. Kevin Zhou, “Hierarchical feature constraint to camouflage medical adversarial attacks,”International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Strasbourg, France, September 2021.
摘要：用于医学图像的深度神经网络极易受到对抗样本攻击，对临床决策提出了安全方面的挑战。最近的研究结果表明，现有的医学对很容易在特征空间中被检测到。为了更好地理解这种现象，我们研究了医学对抗样本的特征。具体来说，我们首先进行压力测试以揭示医学图像特征的脆弱性并将它们与自然图像进行比较。然后，我们从理论上证明，现有的对抗攻击通过在固定方向上不断优化特征从而来操纵预测结果，从而导致对抗样本在特征空间中成为异常点。有趣的是，我们发现这个漏洞是一把双刃剑，可以利用它来帮助隐藏特征空间中的对抗样本。我们提出了一种新的分层特征约束（HFC）作为现有白盒攻击的附加组件，它强制在特种空间中将对抗样本隐藏在正常分布之内。我们在两个公共医学图像数据集上评估了所提出的方法。实验结果证明了我们的 HFC 的优越性，它比自适应攻击更有效地绕过了一系列最先进的医疗对抗样本检测器。
- Q. Yao, Q. Quan, L. Xiao, and S. Kevin Zhou, “One-shot medical landmark detection,”International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Strasbourg, France, September 2021.
摘要：深度学习方法的成功依赖于大量带有注释的数据集；然而，管理此类数据集是一项繁重的工作，尤其是对于医学图像。为了减轻地标检测任务的负担，我们探索了仅使用单个带注释的图像的可行性，并提出了一种名为级联比较预测(CC2D)的新框架，用于只使用一张标注地关键点检测。 CC2D 包括两个阶段：1）自监督学习（CC2D-SSL）和 2）伪标签训练（CC2D-TPL）。 CC2D-SSL 通过比较级联特征并在训练集上生成预测，以粗到细的方式捕获结构纹理一致的解剖信息。 CC2D-TPL 通过使用这些预测训练新的地标检测器进一步提高了性能。 我们在广泛使用的头部关键点检测公共数据集上评估CC2D 的有效性，相比于使用部分标准的全监督方法，CC2D的性能拥有竞争力。
