本文对WACV 2021中医学相关论文进行总结，包含医学图像分类、分割、着色、合成以及智能诊断报告生成。

共计 8 篇，如有遗漏，欢迎补充。

下载包含这些论文的 WACV 2021 所有论文，请点击：

『WACV 2021 开幕，更偏重技术应用，附论文下载』

脑皮层表面重建

DeepCSR: A 3D Deep Learning Approach for Cortical Surface Reconstruction

本篇文章为 WACV 2021 会议最佳算法论文奖。

神经退行性疾病的研究依赖于从磁共振成像（MRI）中重建和分析大脑皮层。传统的框架，如 FreeSurfer 需要冗长的运行时间，它的加速变种 FastSurfer 仍然依赖于 voxel-wise 分割，这是受其分辨率的限制，捕捉狭窄的连续对象作为皮质表面。

针对以上限制，作者在本研究中，提出 DeepCSR，用于从 MRI 重建皮质表面的 3D 深度学习框架。训练一个具有 hypercolumn（超列）特征的神经网络模型，来预测大脑模板空间中各点的隐式表面表征。训练后，通过评估特定坐标处的表面表征，随后应用 topology correction 算法和 isosurface extraction 方法，得到所需细节水平的皮层表面。

由于此方法的连续性质和其超列特征方案的有效性，DeepCSR 在高分辨率下有效地重建皮层表面，捕捉皮层折叠的精细细节。

另外，DeepCSR比广泛使用的FreeSurfer工具箱及其深度学习驱动的变种FastSurfer在重建MRI的皮质表面上更准确、更精确、更快速，这应该有助于大规模的医学研究和新的医疗应用。

作者 | Rodrigo Santa Cruz, Leo Lebrat, Pierrick Bourgeat, Clinton Fookes, Jurgen Fripp, Olivier Salvado

单位 | CSIRO Health & Biosecurity；昆士兰科技大学；CSIRO Data61

论文 | https://arxiv.org/abs/2010.11423

医学图像分类

Deformable Gabor Feature Networks for Biomedical Image Classification

可变形 Gabor 特征网络（Deformable Gabor feature network，DGFN）利用可变形特征和可学习 Gabor 特征在一个区块中，提高 CNN 的可解释性。

在 CIFAR-10 上成功验证了 Gabor 特征继承的抗噪特性，准确率比基线方法提高了 2%。

DGFN 的特点是既有对变形的适应性，又有泛化自然图像中常见空间变化的鲁棒性。表明其增强的代表能力有利于医学图像分析。

所提出的 Gabor 模块具有通用性和灵活性，可以很容易地应用于现有的CNN，如ResNet 和 DenseNet。

作者 | Xuan Gong, Xin Xia, Wentao Zhu, Baochang Zhang, David Doermann, Lian Zhuo

单位 | 纽约州立大学布法罗分校；北京航空航天大学；Kwai Inc

论文 | https://arxiv.org/abs/2012.04109

Learn Like a Pathologist: Curriculum Learning by Annotator Agreement for Histopathology Image Classification

作者称组织病理图像分类是应用课程学习的自然场景，为此提出一种利用标注者协议作为难度代理的课程学习方法。在结肠息肉分类数据集上对所提出方法进行了评估，一个基线模型实现了 83.7% 的 AUC，而最好的单阶段基线实现了 84.6% 的 AUC。当使用课程学习进行训练时，模型的 AUC 提高到 88.2%，在 Cohen's κ 方面优于测试集上的病理学家标注者的平均水平。

作者 | Jerry Wei, Arief Suriawinata, Bing Ren, Xiaoying Liu, Mikhail Lisovsky, Louis Vaickus, Charles Brown, Michael Baker, Mustafa Nasir-Moin, Naofumi Tomita, Lorenzo Torresani, Jason Wei, Saeed Hassanpour

单位 | 达特茅斯学院；达特茅斯 - 希契科克医疗中心

论文 | https://arxiv.org/abs/2009.13698

医学图像合成

Neural Contrast Enhancement of CT Image

本文介绍一个新的具有挑战性的医学图像合成任务，设计一个两阶框架，以应对任务的主要挑战：

1、在同一患者同一位置拍摄的 NECT 和 CECT 图像可能会发生错位。因此，图像之间的强度变化很大一部分是由错位引起的，与contrast materials 影响无关。

2、CECT 图像中的对比度增强模式在不同的患者中并不一致，而是根据患者的病情有明显的差异。

医师报告称，所提出方法在临床使用中比现有的图像合成模型更有用。

作者 | Minkyo Seo, Dongkeun Kim, Kyungmoon Lee, Seunghoon Hong, Jae Seok Bae, Jung Hoon Kim, Suha Kwak

单位 | 浦项科技大学；韩国科学技术院；首尔国立大学医院等

论文 |

https://openaccess.thecvf.com/content/WACV2021/papers/Seo_Neural_Contrast_Enhancement_of_CT_Image_WACV_2021_paper.pdf

SliceNets -- A Scalable Approach for Object Detection in 3D CT Scans

SliceNets：用于 3D CT扫描中目标检测的可扩展方法

作者 | Anqi Yang, Feng Pan, Vishwanath Saragadam, Duy Dao, Zhuo Hui, Jen-Hao Rick Chang, Aswin C. Sankaranarayanan

单位 | 卡内基梅隆大学；IDSS Corporation

论文 |

https://openaccess.thecvf.com/content/WACV2021/papers/Yang_SliceNets_--_A_Scalable_Approach_for_Object_Detection_in_3D_WACV_2021_paper.pdf

医学图像分割

A Weakly Supervised Consistency-Based Learning Method for COVID-19 Segmentation in CT Images

设计一种框架，在医疗分割数据集上使用 consistency-based 损失函数进行训练，标签为 point-level 监督。

该 point-level 监督设置小而经济高效，标注器器只需要在每个感染区域上标记一个点，在背景上标记几个点。

验证表明，使用 consistency-based 损失函数比传统的 point-level 损失函数有明显的改进，几乎与完全监督下训练的模型的性能相匹配。

作者 | Issam Laradji, Pau Rodriguez, Oscar Mañas, Keegan Lensink, Marco Law, Lironne Kurzman, William Parker, David Vazquez, Derek Nowrouzezahrai

单位 | Element AI；Xtract AI；SapienML等

论文 | https://arxiv.org/abs/2007.02180

代码 | https://github.com/IssamLaradji/covid19_weak_supervision

智能诊断

DeepOpht: Medical Report Generation for Retinal Images via Deep Models and Visual Explanation

本次研究提出基于人工智能的方法，意在改进传统的视网膜疾病治疗程序，帮助眼科医生提高诊断效率和准确性。所提出的方法由基于深度神经网络（DNN-based）的模块组成，包括视网膜疾病识别器和临床描述生成器，以及DNN视觉解释模块。

通过所创建的大规模视网膜疾病图像数据集，对基于DNN模块的有效性进行了训练及验证。同时，又根据一个由眼科医生手动标记的视网膜图像数据集作为基础真理，证明了所提出的基于 AI 的方法是有效的。

作者 | Jia-Hong Huang, Chao-Han Huck Yang, Fangyu Liu, Meng Tian, Yi-Chieh Liu, Ting-Wei Wu, I-Hung Lin, Kang Wang, Hiromasa Morikawa, Hernghua Chang, Jesper Tegner, Marcel Worring

单位 | 阿姆斯特丹大学；KAUST等

论文 | https://arxiv.org/abs/2011.00569

代码 | https://github.com/Jhhuangkay/DeepOpht-Medical-Report-Generation-for-Retinal-Images-via-Deep-Models-and-Visual-Explanation

医学图像着色

2D to 3D Medical Image Colorization

着色涉及到颜色的合成，同时保留目标图像的结构内容和语义。在二维照片中得到很好的应用。本次工作中，作者将在着色领域探索了一个新的挑战，目标是使用二维风格的示例对多模态三维医疗数据进行着色。

作者 | Aradhya Neeraj Mathur, Apoorv Khattar, Ojaswa Sharma

单位 | IIITD

论文 |

https://openaccess.thecvf.com/content/WACV2021/papers/Mathur_2D_to_3D_Medical_Image_Colorization_WACV_2021_paper.pdf

【推荐阅读】

WACV 2021 论文大盘点-人体动作检测与识别篇

WACV 2021 论文大盘点-遥感与航拍影像篇
WACV 2021 论文大盘点-视频理解篇

WACV 2021 论文大盘点-图像分类篇

WACV 2021 论文大盘点-图像质量篇

WACV 2021 论文大盘点-智能驾驶篇

WACV 2021 论文大盘点-图像与视频检索篇

WACV 2021 论文大盘点-姿态估计篇

WACV 2021 论文大盘点-目标跟踪篇

WACV 2021 论文大盘点-GAN篇
WACV 2021 论文大盘点-行人监控篇

WACV 2021 论文大盘点-图像分割篇

WACV 2021 论文大盘点-目标检测篇

WACV 2021 论文大盘点-人脸技术篇

- END -