2020年6月24日，研究组五篇文章被MICCAI2020接收。MICCAI的全称是International Conference on Medical Image Computing and Computer Assisted Intervention，是医学图像分析领域的顶级国际会议，迄今已经举办了22届。第23届MICCAI会议原定于2020年10月在秘鲁利马召开，本次会议共收到投稿2900余篇，往年的录用率通常在30%以内。
研究组五篇论文概要信息如下：
1. Q. Yao, Z. He, H. Han, and S. Kevin Zhou, Miss the point: Targeted adversarial attack on multiple landmark detection.
关键点检测是医学影像分析中的重要任务之一，并被很多下游任务当作先决条件。因此其精确度变得非常重要。虽然基于卷积神经网络（CNN）的方法在关键点检测中达到高精度，但是CNN在面对人类察觉不到的噪声扰动时会非常脆弱。因此我们第一次将对抗攻击引入关键点检测任务中，使用I-FGSM对U-Net（具有代表性，用于关键点检测）的heatmap和offset map两个分支同时攻击，实验证明我们可以将任意关键点的预测结果移动到任意位置上，这会对病人的疾病诊疗产生很大的威胁。进一步，我们通过自适应改变每个关键点的权重，让目标攻击更加快速和有效。最后，我们发现点的孤立程度和被攻击的难度呈现反比关系。
图1：关键点检测对抗攻击效果图，绿色点为攻击前预测结果，红色点为攻击后预测结果。
2. H. Li, H. Han, and S. Kevin Zhou, Bounding maps for universal lesion detection.
CT图像的Universal Lesion 检测在计算机辅助诊断系统中扮演著重要的角色。许多检测方法通过使用可能的anchors取得了不错检测的结果。然而，经验证据表明，anchor-based 方向的data-imbalance问题将导致高假阳性(FP)率。本文提出了一种box-to-map的方法，用三个在x、y、xy方向上的soft continuous maps来表示BBox。我们的方法嵌入到四种state-of-the-art two-stage anchor-based检测方法中，可以有效地提高检测精度(1.68% to 3.85% boost of sensitivity at 4FPs)。
图2：BM应用在two-stage检测网络中的网络结构图
3. Z. Huang, Y. Ding, G. Song, L. Wang, R. Geng, H. He, S. Du, X. Liu, Y. Tian, Y. Liang, S. Kevin Zhou, and J. Chen, BCData: A large-scale dataset and benchmark for cell detection and counting.
4. Y. Lyu, W. Lin, H. Liao, J. Lu, and S. Kevin Zhou, Encoding metal mask projection for metal artifact reduction in computed tomography.
5. W. Wang, Q. Song, J. Zhou, R. Feng, T. Chen, W. Ge, D.Z. Chen, S. Kevin Zhou, W. Wang, and J. Wu, Dual-level selective transfer learning for intrahepatic cholangiocarcinoma segmentation in non-enhanced abdominal CT.