关注公众号，发现CV技术之美

今天（2023.1.9） arXiv.CV 上有7篇医学影像处理与识别相关论文。不过粗略看来，医学影像类的论文，很多都是直接使用已有模型（甚至都不是最先进的模型），加以应用就可以了。

其中有一篇Deep Vessel Segmentation来自国内学者，欢迎关注。

▌Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection

• 作者单位：伯恩茅斯大学

• 论文链接：https://arxiv.org/abs/2301.02317

CNN+XGBoost，实现脑瘤分类。

脑瘤是大脑或中央椎管内细胞的肿块或异常生长，症状包括头痛、癫痫发作、手脚无力或麻木、性格或行为改变、恶心、呕吐、视力或听力问题和头晕。传统的脑瘤诊断涉及一些测试和程序，可能包括考虑病史、体格检查、成像测试（如CT或MRI扫描）和活检（切除和检查一小块肿瘤组织）。这些程序虽然有效，但由于对脑部扫描的人工检查和对测试结果的彻底评估在精神上很吃力，也很费时间。大量的医学研究已经证实，早期诊断和治疗的脑瘤一般倾向于有更好的预后。

深度学习技术经过多年的发展，在医学影像学中对脑瘤的分类方面已经显示出令人印象深刻和更快的结果，几乎没有人为干扰。这项研究提出了一个使用卷积神经网络（CNN）和XGBoost相结合的脑肿瘤早期检测模型。所提出的模型被命名为C-XGBoost，与纯粹的CNN相比，它的模型复杂度较低，使得它更容易训练，而且不容易出现过拟合。它还能更好地处理不平衡和非结构化的数据，这些都是现实世界医学图像分类任务中常见的问题。为了评估所提出的模型的有效性，我们采用了一个有肿瘤和无肿瘤的脑MRI图像数据集。

▌A CAD System for Colorectal Cancer from WSI: A Clinically Validated Interpretable ML-based Prototype

• 作者单位：Technology and Science (INESC TEC)；波尔图大学等

• 论文链接：https://arxiv.org/abs/2301.02608

结直肠癌检测的全流程开发与验证

在过去的几年里，人工智能（AI）和数字病理学的整合一直在增加。如今，应用深度学习（DL）方法从整个影像图像（WSI）中诊断癌症，引起很多研究小组的兴趣。然而，这些系统的发展受到了无数限制，包括缺乏训练样本、缩放困难、DL方法的不透明性，以及更重要的是缺乏临床验证。

因此，我们提出了一个专门为结直肠样本诊断设计的系统。这样一个系统的构建包括四个阶段。(1) 仔细的数据收集和注释过程，这导致了最大的WSI结直肠样本数据集之一；(2) 设计一个可解释的混合监督方案，以利用病理学家通过空间注释引入的领域知识；(3) 根据每个tile的预期严重程度开发一个有效的采样方法，这将计算成本降低了近6倍；(4) 创建一个原型系统，整合模型的全部特征，在临床实践中进行评估。

所提出的方法在四个独立的测试集中进行了评估，其中两个是外部的，完全独立的。在其中最大的测试集上，提出的方法达到了93.44%的准确率。结直肠样本的DL研究，距离完全融入临床实践又近了几步。

▌A survey on Organoid Image Analysis Platforms

• 作者单位：Cardiff University School of Biomedical and Life Sciences

• 论文链接：https://arxiv.org/abs/2301.02341

本研究主要介绍了类器官培养系统在医学科学不同学科中的重要作用以及利用类器官的各种范围。然后研究操作类器官的挑战，接着回顾应用于类器官的图像分析系统或平台，以解决类器官利用的挑战。

▌Generating corneal panoramic images from contact specular microscope images

• 作者单位：同志社大学（日本）

• 论文链接：https://arxiv.org/abs/2301.02388

本研究提出了一个框架，从使用接触镜显微镜拍摄的视频中自动生成整个角膜图像。从视频中提取了相对集中的图像，并进行了全景合成。如果能生成整幅图像，就有可能从图像中检测出guttae并检查其存在的程度。系统使用U-Net的监督学习模型来检测。

▌Deep Learning For Classification Of Chest X-Ray Images (Covid 19)

• 作者单位：ENSTTIC；University of Djillali Liabes；Konya Technical University

• 论文链接：https://arxiv.org/abs/2301.02468

胸部X射线在Covid 19的识别和诊断中发挥了重要作用。我们在这个项目中的目标是能够对含有Covid 19、病毒性肺炎、肺部不透明和正常图像的不同胸部X光图像进行分类。我们使用了CNN架构和不同的预训练模型。使用ResNet 18架构获得了最佳结果，准确率为94.1%。我们还注意到，在AlexNet的情况下，GPU的执行时间是最佳的，但需要我们注意的是，预训练模型的收敛速度比从头开始训练CNN快得多。

▌Graph Convolution Based Cross-Network Multi-Scale Feature Fusion for Deep Vessel Segmentation

• 作者单位：香港大学；北京邮电大学；北航；Deepwise Healthcare；浙江大学

• 论文链接：https://arxiv.org/abs/2301.02393

图卷积，跨网络多尺度特征融合，用于血管分割。

血管分割被广泛用于帮助血管疾病的诊断。使用现有方法重建的血管往往不够准确，无法满足临床使用标准。这是因为三维血管结构非常复杂，并表现出独特的特征，包括稀疏性和各向异性。在本文中，我们提出了一种新型的混合深度神经网络，用于血管分割。我们的网络由两个级联的子网络组成，分别进行初始和细化分割。第二个子网络进一步有两个紧密耦合的组件，一个是传统的基于CNN的U-Net，一个是 graph U-Net。在这两个U型网络之间进行跨网络多尺度特征融合，以有效支持高质量的血管分割。整个级联网络可以从头到尾进行训练。第二个子网络中的graph 是根据血管概率图以及原始CT容积中的外观和语义相似性构建的。为了解决血管的稀疏性和各向异性带来的挑战，较高比例的graph 节点分布在可能包含血管的区域，而较高比例的边缘则是按照潜在的附近血管的方向。广泛的实验表明，我们的深度网络在多个公共和内部数据集上实现了最先进的3D血管分割性能。

▌Deep-learning models in medical image analysis: Detection of esophagitis from the Kvasir Dataset

• 作者单位：同志社大学（日本）

• 论文链接：https://arxiv.org/abs/2301.02390

本研究旨在比较卷积神经网络模型（GoogLeNet、ResNet-50、MobileNet V2和MobileNet V3）在开放的Kvasir数据集的内窥镜图像中检测食管炎的准确性。结果显示，在这些模型中，GoogLeNet取得了最高的F1分数。根据真实阳性率的平均值，MobileNet V3比其他模型更有把握地预测食管炎。

END

欢迎加入「医学影像」交流群👇备注：Med