Existing image segmentation networks mainly leverage large-scale labeled datasets to attain high accuracy. However, labeling medical images is very expensive since it requires sophisticated expert knowledge. Thus, it is more desirable to employ only a few labeled data in pursuing high segmentation performance. In this paper, we develop a data augmentation method for one-shot brain magnetic resonance imaging (MRI) image segmentation which exploits only one labeled MRI image (named atlas) and a few unlabeled images. In particular, we propose to learn the probability distributions of deformations (including shapes and intensities) of different unlabeled MRI images with respect to the atlas via 3D variational autoencoders (VAEs). In this manner, our method is able to exploit the learned distributions of image deformations to generate new authentic brain MRI images, and the number of generated samples will be sufficient to train a deep segmentation network. Furthermore, we introduce a new standard segmentation benchmark to evaluate the generalization performance of a segmentation network through a cross-dataset setting (collected from different sources). Extensive experiments demonstrate that our method outperforms the state-of-the-art one-shot medical segmentation methods. Our code has been released at https://github.com/dyh127/Modeling-the-Probabilistic-Distribution-of-Unlabeled-Data.
Semi-Supervised Disease Classification based on Limited Medical Image Data
School of Science, Minzu University of China（中央民族大学理学院）；Joint Research Center on Computational Mathematics and Control, Shenzhen MSU-BIT University（深圳北理莫斯科大学计算数学与控制联合研究中心）；Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究院）
All-Around Real Label Supervision: Cyclic Prototype Consistency Learning for Semi-supervised Medical Image Segmentation
The Chinese University of Hong Kong（香港中文大学）；Tencent Jarvis Lab（腾讯医疗健康（深圳）有限公司（腾讯天衍实验室））；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；The University of Hong Kong（香港大学）；Tsinghua University（清华大学）；Brigham and Women’s Hospital（布莱根妇女医院）；Harvard Medical School（哈佛医学院）
半监督学习大大提高了医学图像分割，因为它减轻了获取昂贵的专家检查注释的沉重负担。特别是，基于一致性的方法已经吸引了更多的关注，其优越的性能，其中真正的标签只被用来监督他们的成对图像通过监督损失，而未标记的图像被利用，通过实施基于扰动的\textit{"unsupervised"}一致性没有显式的指导，从这些真正的标签。不过，直观来看，经过专家检验的真实标签包含了更可靠的监管信号。观察到这一点，我们提出了一个未探索但有趣的问题：我们可以通过显式真实标签监督来利用未标记的数据进行半监督训练吗？为此，我们放弃了以前的扰动为基础的一致性，但吸收非参数原型学习的本质。基于原型网络，提出了一种新的循环原型一致性学习框架，该框架由一个标记到未标记（L2U）原型前向过程和一个未标记到标记（U2L）原型后向过程构成.这两个过程通过鼓励更具鉴别力和紧凑的特征来协同增强分割网络。通过这种方式，我们的框架将以前的\textit{"unsupervised"}一致性转换为新的\textit{"supervised"}一致性，从而获得我们方法的\textit{"all-around real label supervision"}属性。对MRI脑肿瘤分割和CT肾脏分割的实验表明，我们的CPCL可以有效地利用未标记的数据，并优于其他最先进的半监督医学图像分割方法。
A review of uncertainty quantification in medical image analysis: probabilistic and non-probabilistic methods
Saw Swee Hock School of Public Health, National University of Singapore（新加坡国立大学苏瑞福公共卫生学院）；University of Rouen Normandy（鲁昂诺曼底大学）；Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所）
Enhancing Network Initialization for Medical AI Models Using Large-Scale, Unlabeled Natural Images
University Hospital RWTH Aachen（亚琛工业大学附属医院）；Technische Universität Dresden（德累斯顿工业大学）；University Hospital Carl Gustav Carus Dresden（德累斯顿卡尔·古斯塔夫·卡鲁斯大学医院）；Else Kröner Fresenius Center for Digital Health（Else Kröner Fresenius 数字健康中心）；University Hospital Heidelberg（海德堡大学医院）；National Center for Tumor Diseases（国家肿瘤疾病中心）
From Specialist to Generalist: Unlocking SAM's Learning Potential on Unlabeled Medical Images
Carnegie Mellon University（卡内基梅隆大学）；Industrial University of Ho Chi Minh City（胡志明市工业大学）；University of North Carolina at Charlotte（北卡罗来纳州夏洛特大学）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching
The Chinese University of Hong Kong（香港中文大学）；Beihang University（北京航空航天大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
联邦学习（FL）已经越来越流行，以协作分布式医疗机构来训练深度网络。然而，尽管现有的FL算法只允许监督训练设置，但由于缺乏预算或专业知识，现实中大多数医院通常无法负担复杂的数据标记。本文研究了一个实际但具有挑战性的FL问题，称为\textit{Federated Semi-supervised Learning}（FSSL），其目的是通过联合利用来自标记和未标记客户端的数据（即，医院）。我们提出了一种新的方法来解决这个问题，它改进了传统的一致性正则化机制与一个新的客户端之间的关系匹配计划。所提出的学习方案通过对齐提取的疾病关系来明确地连接标记和未标记客户端之间的学习，从而减轻未标记客户端的任务知识的不足，并促进来自未标记样本的判别信息。我们验证了我们的方法在两个大规模的医学图像分类数据集。我们的方法的有效性已被证明与国家的最先进的明确改进，以及彻底的消融分析上的两个任务\footnote{Code will be made available at \url{https://github.com/liuquande/FedIRM}}。
Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model
The Chinese University of Hong Kong（香港中文大学）；Stanford University（斯坦福大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
Improving Semi-supervised Deep Learning by using Automatic Thresholding to Deal with Out of Distribution Data for COVID-19 Detection using Chest X-ray Images
Surrogate Supervision for Medical Image Analysis: Effective Deep Learning From Limited Quantities of Labeled Data
VoxelCloud, Inc.（体素云公司）；Second Military Medical University（第二军医大学）；Changzheng Hospital（长征医院）；Shanghai Jiaotong University School of Medicine（上海交通大学医学院）；Ruijin Hospital（瑞金医院）
Universal Semi-Supervised Learning for Medical Image Classification
Monash-Airdoc Research（莫纳什-鹰瞳研究中心）；Monash University（莫纳什大学）；eResearch Centre（电子研究中心）；Monash Medical AI Group（莫纳什医学人工智能团队）；Faculty of Information Technology（信息技术学院）；Harbin Engineering University（哈尔滨工程大学）；Centre for Eye Research Australia（澳大利亚眼科研究中心）；Melbourne University（墨尔本大学）
SSMD: Semi-Supervised Medical Image Detection with Adaptive Consistency and Heterogeneous Perturbation
West China Hospital, Sichuan University（四川大学华西医院）；The University of Hong Kong（香港大学）；Shenzhen Research Institute of Big Data, The Chinese University of Hong Kong（香港中文大学深圳大数据研究院）；Deepwise Healthcare（深睿医疗）
Probabilistic smooth attention for deep multiple instance learning in medical imaging
Department of Computer Science and AI, University of Granada（计算机科学与人工智能系，格拉纳达大学）；Department of Statistics and Operations Research, University of Granada（统计与运筹学系，格拉纳达大学）；Research Centre for Information and Communication Technologies (CITIC), University of Granada（信息与通信技术研究中心（CITIC），格拉纳达大学）；Department of Electrical and Computer Engineering, Northwestern University（电气与计算机工程系，西北大学）；Center for Computational Imaging and Signal Analytics in Medicine, Northwestern University（医学计算成像与信号分析中心，西北大学）
FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation
Medical Artificial Intelligence Lab, Westlake University（西交大学医学人工智能实验室）；Department of Information and Communication Engineering, School of Engineering, Institute of Science Tokyo（东京科学大学工程学院信息与通信工程系）；Department of Biomedical Engineering, The Chinese University of Hong Kong（香港中文大学生物医学工程系）
ProMIL: Probabilistic Multiple Instance Learning for Medical Imaging
Faculty of Mathematics and Computer Science, Jagiellonian University（雅盖隆大学数学与计算机科学学院）；Faculty of Applied Computer Science, University of Information Technology and Management in Rzeszow（热舒夫信息技术与管理大学应用计算机科学学院）；Medical University of Gdansk（格但斯克医科大学）；UES Ltd.（UES有限公司）
ContIG: Self-supervised Multimodal Contrastive Learning for Medical Imaging with Genetics
Hasso Plattner Institute for Digital Engineering, University of Potsdam（波茨坦大学哈索·普拉特纳数字工程研究所）；TU Kaiserslautern（凯泽斯劳滕工业大学）；Hasso Plattner Institute for Digital Health at the Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院哈索·普拉特纳数字健康研究所）
Lesion Harvester: Iteratively Mining Unlabeled Lesions and Hard-Negative Examples at Scale
PAII Inc.（PAII公司）；Vanderbilt University（范德堡大学）；Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）；Ping An Insurance (Group) Company of China, Ltd.（中国平安保险（集团）股份有限公司）；University of Florida（佛罗里达大学）
Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised Medical Image Segmentation
Beihang University（北京航空航天大学）；Hefei Innovation Research Institute, Beihang University（北京航空航天大学合肥创新研究院）；Beijing Advanced Innovation Centre for Biomedical Engineering（北京生物医学工程高精尖创新中心）
Performance Estimation for Supervised Medical Image Segmentation Models on Unlabeled Data Using UniverSeg
College of Computer Science, Beijing University of Technology（北京理工大学计算机学院）；Sorbonne Université, Institut du Cerveau - Paris Brain Institute - ICM, CNRS, Inserm, AP-HP, Hôpital de la Pitié Salpêtrière（索邦大学巴黎脑研究所-ICM）；Sorbonne Université, Institut du Cerveau - Paris Brain Institute - ICM, CNRS, Inria, Inserm, AP-HP, Hôpital de la Pitié Salpêtrière（索邦大学巴黎脑研究所-ICM）；Instituto de Ciencias de la Computación, CONICET - Universidad de Buenos Aires（布宜诺斯艾利斯大学计算机科学研究所）
