Deep learning-based approaches achieve state-of-the-art performance in the majority of image segmentation benchmarks. However, training of such models requires a sizable amount of manual annotations. In order to reduce this effort, we propose a method based on conditional Generative Adversarial Network (cGAN), which addresses segmentation in a semi-supervised setup and in a human-in-the-loop fashion. More specifically, we use the discriminator to identify unreliable slices for which expert annotation is required and use the generator in the GAN to synthesize segmentations on unlabeled data for which the model is confident. The quantitative results on a conventional standard benchmark show that our method is comparable with the state-of-the-art fully supervised methods in slice-level evaluation requiring far less annotated data.
Automated Pancreas Segmentation Using Multi-institutional Collaborative Deep Learning
National Taiwan University（台湾大学）；Nagoya University（名古屋大学）；NVIDIA Corporation（英伟达公司）；Aichi Cancer Center（爱知癌症中心）；National Taiwan University Hospital（台湾大学医学院附设医院）
Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel Segmentation via Disentangling Representation Style Transfer and Collaborative Consistency Learning
Southern University of Science and Technology（南方科技大学）；The University of Hong Kong（香港大学）
Privacy-Preserving Collaborative Medical Image Segmentation Using Latent Transform Networks
King Fahd University of Petroleum & Minerals（国王法赫德国王石油与矿产大学）；SDAIA-KFUPM Joint Research Center for Artificial Intelligence（沙特数据与人工智能中心-国王法赫德国油与矿产大学人工智能联合研究中心）；Interdisciplinary Research Center for Intelligent Secure Systems (IRC-ISS)（智能安全系统跨学科研究中心）
Exploring Structure-Wise Uncertainty for 3D Medical Image Segmentation
Artificial Intelligence Research Institute (AIRI)（人工智能研究院（AIRI））；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
CRISP - Reliable Uncertainty Estimation for Medical Image Segmentation
University of Sherbrooke（舍布鲁克大学）；University of Lyon（里昂大学）；CREATIS（CREATIS实验室）；CNRS（法国国家科学研究中心）；Inserm（法国国家健康与医学研究院）；INSA-Lyon（里昂国立应用科学学院）；University of Lyon 1（里昂第一大学）；Ultromics Ltd.（Ultromics有限公司）
CFEA: Collaborative Feature Ensembling Adaptation for Domain Adaptation in Unsupervised Optic Disc and Cup Segmentation
University of Florida（佛罗里达大学）；UNC Charlotte（北卡罗来纳大学夏洛特分校）；Xi’an Jiaotong University（西安交通大学）；Sensetime Research（商汤科技研究院）
最近，深度神经网络在注释良好的数据集中表现出与董事会认证的眼科医生相当甚至更好的性能。然而，视网膜成像设备的多样性带来了一个重大挑战：域转移，这导致在将深度学习模型应用于新的测试域时性能下降。在本文中，我们提出了一种新的无监督域自适应框架，称为协作特征集成自适应（CFEA），以有效地克服这一挑战。我们提出的CFEA是一个交互式的范例，通过对抗学习和集成权重呈现出一种精致的协作适应。特别是，我们同时实现了域不变性，并保持了历史预测的指数移动平均值，这通过在训练期间集成权重来实现对未标记数据的更好预测。在不注释来自目标域的任何样本的情况下，编码器和解码器层中的多个对抗性损失引导域不变特征的提取，以混淆域分类器，同时有利于平滑权重的集成。综合实验结果表明，我们的CFEA模型可以克服性能下降，并优于国家的最先进的方法在分割视网膜视盘和杯眼底图像。\textit{Code is available at \url{https://github.com/cswin/AWC}}。
Assessing Reliability and Challenges of Uncertainty Estimations for Medical Image Segmentation
Insel Data Science Center, Inselspital, Bern University Hospital, University of Bern（伯尔尼大学伯尔尼大学医院Inselspital Insel数据科学中心）；ARTORG Center, University of Bern（伯尔尼大学ARTORG中心）
Uncertainty-Guided Efficient Interactive Refinement of Fetal Brain Segmentation from Stacks of MRI Slices
University of Electronic Science and Technology of China（电子科技大学）；King’s College London（伦敦国王学院）；University Hospitals KU Leuven（鲁汶大学附属医院）；University College London（伦敦大学学院）；SenseTime Research（商汤科技研究院）
Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation: A Benchmark Study
Sunnybrook Research Institute（桑尼布鲁克研究所）；University of Toronto（多伦多大学）；Huazhong University of Science and Technology（华中科技大学）；Queen Mary University of London（伦敦玛丽女王大学）；St Bartholomew’s Hospital（圣巴塞洛缪医院）；Barts Health NHS Trust（巴茨健康NHS信托基金会）；University of Oxford（牛津大学）
目的：卷积神经网络（CNN）在自动心脏磁共振图像分割中表现出了良好的前景。然而，当在大型真实世界数据集中使用CNN时，量化分割不确定性并识别可能存在问题的分割是很重要的。在这项工作中，我们对贝叶斯和非贝叶斯方法进行了系统的研究，用于估计分割神经网络中的不确定性。研究方法：我们通过Backprop，Monte Carlo Dropout，Deep Ensembles和Stochastic Segmentation Networks在分割精度，概率校准，分布外图像的不确定性和分割质量控制方面评估了贝叶斯。结果：我们观察到，除了具有严重噪声和模糊失真的图像外，深度集成优于其他方法。我们证明了贝叶斯反向传播对噪声失真更鲁棒，而随机分割网络对模糊失真更有抵抗力。对于分割质量控制，我们表明，分割不确定性与所有方法的分割精度相关。通过合并不确定性估计，我们能够通过标记31 - 48%的最不确定分割进行手动审查，将不良分割的百分比降低到5%，大大低于不使用神经网络不确定性的随机审查（审查所有图像的75 - 78%）。结论：这项工作提供了一个全面的评估不确定性估计方法，并表明，深度集成优于其他方法在大多数情况下。重要性：神经网络不确定性测量可以帮助识别潜在的不准确分割，并提醒用户进行手动审查。
Elongated Physiological Structure Segmentation via Spatial and Scale Uncertainty-aware Network
University of Nottingham Ningbo China（宁波诺丁汉大学）；Southern University of Science and Technology（南方科技大学）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）；Institute of High Performance Computing（高性能计算研究所）；Tomey Corporation（多美株式会社）
Interpretability of Uncertainty: Exploring Cortical Lesion Segmentation in Multiple Sclerosis
University of Lausanne（洛桑大学）；Lausanne University Hospital（洛桑大学医院）；University of Applied Sciences Western Switzerland (HES-SO)（瑞士西部应用科学大学（HES-SO））；CIBM Center for Biomedical Imaging（CIBM生物医学成像中心）；University Hospital and University Basel（巴塞尔大学医院与巴塞尔大学）；University of Genova（热那亚大学）；University of Geneva（日内瓦大学）
Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty
National Key Laboratory of Fundamental Science on Synthetic Vision, the College of Computer Science, Sichuan University（国家基础科学合成视觉重点实验室、计算机科学学院、四川大学）；Department of Radiology, West China Hospital, Sichuan University（放射科、西昌医院、四川大学）；Saw Swee Hock School of Public Health, National University of Singapore（Saw Swee Hock 公共卫生学院、新加坡国立大学）；Department of Mathematics, Sichuan University（数学系、四川大学）；Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)（高性能计算研究所（IHPC）、科学、技术与研究局（A*STAR））；Centre for Innovation and Precision Eye Health, Yong Loo Lin School of Medicine, National University of Singapore（创新与精准眼健康中心、 Yong Loo Lin 医学院、新加坡国立大学）；Singapore Eye Research Institute, Singapore National Eye Centre（新加坡眼研究所、新加坡国家眼科中心）
Impact of individual rater style on deep learning uncertainty in medical imaging segmentation
NeuroPoly Lab, Institute of Biomedical Engineering, Polytechnique Montreal（蒙特利尔理工学院生物医学工程研究所NeuroPoly实验室）；Mila - Quebec AI Institute（Mila-魁北克人工智能研究所）；Functional Neuroimaging Unit, CRIUGM, Université de Montréal（蒙特利尔大学CRIUGM功能神经影像单元）
Uncertainty Quantification in Medical Image Segmentation with Multi-decoder U-Net
Harbin Institute of Technology at Shenzhen（哈尔滨工业大学（深圳））；Peng Cheng Lab（鹏城实验室）；MindsGo Co.Ltd（MindsGo 有限公司）；Capital Medical University（首都医科大学）；Xuanwu Hospital Capital Medical University（首都医科大学宣武医院）
Quantifying U-Net Uncertainty in Multi-Parametric MRI-based Glioma Segmentation by Spherical Image Projection
Duke University（杜克大学）；Duke Kunshan University（昆山杜克大学）；The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）；The University of Texas MD Anderson Graduate School of Biomedical Science（德克萨斯大学MD安德森生物医学研究生院）
