深入學習對于在醫學成像中建立人工智能模型至關重要，以幫助識別圖像中的異常、生成自動測量、標記緊急病例和縱向跟蹤。在MICCAI 2021醫學圖像計算和計算機輔助干預國際會議期間，探索 NVIDIA 作者的最新研究成果。
MICCIA 2021 接受的研究論文重點：
- 在這項工作中，研究人員提出了一種基于深度學習的全幻燈片圖像（ WSI ）分類多實例學習（ MIL ）算法，該算法使用基于 transformer 的體系結構明確說明了訓練期間實例之間的依賴關系。
- 他們在 PANDA challenge 數據集（目前擁有 11000 多張圖像的最大公開 WSI 數據集）上，與基線方法以及 1000 多個競爭團隊的 Kaggle challenge 排行榜進行評估，并展示最先進的（ SOTA ）分類結果。
- 在這項工作中，研究人員提出了一種新的弱監督注意驅動的深度學習模型，該模型在訓練期間利用醫療報告中的編碼信息，以促進更好的定位。該模型還對與肺炎相關的屬性進行分類，并從醫療報告中提取屬性進行監督，無需手動注釋。
- 該團隊展示了兩個胸部 X 射線數據集的定量結果，即 MIMIC-CXR [7]和胸部 X 射線 -8 [18]。他們還展示了在新冠病毒 -19 數據集[4]上的定性結果，并通過利用預測屬性證明了嚴重性特征。有關數據集參考詳細信息，請參見paper。
- 在這項工作中，研究人員通過訓練“超級網絡”，將 FL 與基于局部神經結構搜索的 AutoML 技術相結合。此外，他們提出了一種自適應方案，以允許在每個 FL 客戶的站點上實現個性化的模型結構。
- 在 3D 前列腺 MRI 的四個不同數據集上對所提出的方法進行了評估，結果表明，通過 AutoML supernet 選擇最佳路徑，可以改善局部模型在自適應后的性能。
- 在這項工作中，研究人員通過提出兩種新的方法來加速超參數的估計：代理數據和代理網絡。兩者都有助于更有效地估計超參數。
- 在使用知名的公共數據集對 CT 和 MR 成像模式的擬議技術進行評估后，他們展示了：（ 1 ）當使用較小的代理數據在外部驗證集上進行測試時，與使用完整數據進行培訓相比，具有更高的相關性；（ 2 ） 與完整網絡相比，代理網絡在驗證骰子分數和安全性方面存在高度相關性；（ 3 ） 提出的利用代理網絡的方法可以將 AutoML 超參數搜索框架的速度提高 3 . 3 倍，如果同時使用代理數據和代理網絡，則可以提高 4 . 4 倍。
其他研究重點：
項目 MONAI 是一項由學術界和業界領袖共同發起的開放源碼合作計劃，旨在建立和標準化醫療成像領域深度學習的最佳實踐。
在 MICCAI ，項目 MONAI 正在發布新的軟件，顯示人工智能訓練的速度提高了約 20 倍。
該版本中的新功能包括使研究人員和臨床醫生能夠協作并創建帶注釋的數據集，以及設計、開發和驗證 AI 驅動的應用程序的工具。
開始使用項目 MONAI >>
MICCAI 2021>>
?
