医学成像和机器学习

CheXstray：用于医学成像漂移检测的实时多模态数据一致性AI

CheXstray: Real-time Multi-Modal Data Concordance for Drift Detection in Medical Imaging AI

Microsoft Health and Life Sciences（微软健康与生命科学部）；Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福医学与成像人工智能中心）

临床人工智能（AI）应用正在全球范围内迅速扩展，并有可能影响到医疗实践的所有领域。医学成像应用占批准的临床AI应用的绝大多数。尽管医疗系统渴望采用人工智能解决方案，但仍然存在一个基本问题：\textit{what happens after the AI model goes into production?}我们使用CheXpert和PadChest公共数据集构建和测试医疗成像人工智能漂移监测工作流程，以跟踪数据和模型漂移，而无需同时获得地面实况。我们在多个实验中模拟漂移，将模型性能与我们新的多模态漂移度量进行比较，该度量使用DICOM元数据，变分自动编码器（VAE）的图像外观表示和模型输出概率作为输入。通过实验，我们展示了一个强大的代理地面真相的性能，使用相关元数据，预测概率和VAE潜在表示的无监督分布变化。我们的主要贡献包括（1）医学成像漂移检测的概念验证，包括使用VAE和特定领域的统计方法，（2）测量和统一漂移指标的多模式方法，（3）对观察部署的医学成像AI的挑战和解决方案的新见解，以及（4）创建开源工具，使其他人能够轻松运行自己的工作流程和场景。这项工作具有重要意义。它解决了在动态医疗环境中常见的连续医学成像AI模型监测中发现的相关翻译差距。

2022-03-17cs.CVcs.LGeess.IV

基于线性依赖正则化的医学图像分类领域泛化

Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization

Nanyang Technological University（南洋理工大学）；City University of Hong Kong（香港城市大学）；Karolinska Institute（卡罗林斯卡学院）；Karolinska University Hospital（卡罗林斯卡大学医院）

最近，我们通过采用深度神经网络在医学成像分类领域取得了巨大进展。然而，最近的高级模型仍然需要访问足够大的和有代表性的数据集进行训练，这在临床现实环境中通常是不可行的。当在有限的数据集上训练时，深度神经网络缺乏泛化能力，因为在特定分布内的数据（例如，由特定设备供应商或患者群体捕获的数据）上训练的深度神经网络可能无法泛化到具有另一分布的数据。在本文中，我们介绍了一种简单但有效的方法来提高医学成像分类领域中深度神经网络的泛化能力。由于医学图像的域可变性在一定程度上是紧凑的，我们建议通过变分编码与一个新的线性依赖正则化项来学习一个代表性的特征空间，以捕获从不同领域收集的医学数据之间的共享信息。因此，训练后的神经网络有望对“看不见的”医学数据具有更好的泛化能力。两个具有挑战性的医学成像分类任务的实验结果表明，我们的方法可以实现更好的跨领域泛化能力相比，国家的最先进的基线。

2020-10-29cs.CVcs.LGeess.IV

医学影像诊断图像质量评价与分类：机遇与挑战

Diagnostic Image Quality Assessment and Classification in Medical Imaging: Opportunities and Challenges

California Institute of Technology（加州理工学院）；Stanford University（斯坦福大学）

磁共振成像（MRI）遭受若干伪影，其中最常见的是运动伪影。这些伪影通常产生非诊断质量的图像。为了检测这种伪影，图像由专家对其诊断质量进行前瞻性评估，这使得每当遇到非诊断质量扫描时都需要患者重新访问和重新扫描。这激发了开发能够访问医学图像质量并检测诊断和非诊断图像的自动化框架的需求。在本文中，我们探索了几种基于卷积神经网络的医学图像质量评估框架，并研究了其中的几个挑战。

2019-12-05cs.CVcs.LGeess.IV

通过医学成像和患者人口统计数据融合增强迁移学习

Enhanced Transfer Learning Through Medical Imaging and Patient Demographic Data Fusion

National Physical Laboratory（英国国家物理实验室）

在这项工作中，我们研究的性能增强的医学成像数据的分类时，图像特征相结合，与相关的非图像数据。我们比较了八种最先进的深度神经网络在仅使用图像特征时与与患者元数据相结合时在分类任务中的性能。我们利用迁移学习，将ImageNet上预训练的网络直接用作特征提取器，并在目标域上进行微调。我们的实验表明，性能可以显着提高与元数据的列入，并使用可解释性的方法来确定哪些功能导致这些增强。此外，我们的研究结果表明，自然医学成像（例如光学图像）的性能增强最受益于直接使用预训练模型，而非自然图像（例如非成像数据的表示）最受益于微调预训练网络。这些增强在计算时间上的额外成本可以忽略不计，因此是其他应用程序的实用方法。

2021-11-29cs.CVcs.LGeess.IV

医学成像中的深度强化学习：文献综述

Deep reinforcement learning in medical imaging: A literature review

Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Arkansas（阿肯色大学）；University of Houston（休斯顿大学）；INRIA, Sophia Antipolis-Mediterranean Centre（法国国家信息与自动化研究所索菲亚·安蒂波利斯地中海中心）

深度强化学习（DRL）增强了强化学习框架，它学习一系列动作，最大化预期奖励，具有深度神经网络的代表性。近年来的研究表明，DRL在医学和医疗保健领域具有巨大的潜力。本文就DRL在医学影像学中的应用作一综述。我们从DRL的全面教程开始，包括最新的无模型和基于模型的算法。然后，我们涵盖了现有的DRL应用的医学成像，这是大致分为三个主要类别：（一）参数医学图像分析任务，包括地标检测，对象/病变检测，配准，并查看平面定位;（ii）解决优化任务，包括超参数调整，选择增强策略，和神经结构搜索;以及（iii）包括手术姿势分割、个性化移动健康干预和计算模型个性化的各种应用。本文最后讨论了未来的前景。

2021-03-05cs.CVcs.LGeess.IV

MedMAE：面向医学影像任务的自监督骨干网络

MedMAE: A Self-Supervised Backbone for Medical Imaging Tasks

University of British Columbia（不列颠哥伦比亚大学）

针对医学影像标注数据稀缺及域偏移问题，提出大规模无标注数据集及基于掩码自编码器的自监督骨干网络MedMAE，在四项医学影像任务上优于现有预训练模型。

2024-07-20cs.CVeess.IV

疾病分类及预训练深度卷积神经网络在不同成像模态的多样医学影像数据集上的影响

Disease Classification and Impact of Pretrained Deep Convolution Neural Networks on Diverse Medical Imaging Datasets across Imaging Modalities

Gauhati University（古瓦哈蒂大学）

本文系统评估了十种预训练深度卷积神经网络在多种医学影像模态上的迁移学习表现，发现预训练特征提取效果不佳、更深架构未必更优，且同领域内跨模态性能不可直接外推。

2024-09-02cs.AIcs.CVcs.LG

面向医学影像的多环境终身深度强化学习

Multi-environment lifelong deep reinforcement learning for medical imaging

Rice University（莱斯大学）；The Johns Hopkins University（约翰斯·霍普金斯大学）；McGovern Medical School, UTHealth Houston（休斯顿UTHealth麦戈文医学院）；Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）；University of Maryland Medical Intelligent Imaging (UM2ii)（马里兰大学医学智能成像中心）；University of Maryland School of Medicine（马里兰大学医学院）

本文提出终身深度强化学习框架SERIL，利用选择性经验回放技术在二十四个脑部MRI成像环境中持续定位五个解剖标志点，在120个任务上显著优于多环境最佳和单环境最差基线，验证了动态医学影像环境中持续学习多个任务的有效性。

2023-05-31cs.CVcs.LGeess.IV

医学影像中的异常检测——一篇小型综述

Anomaly Detection in Medical Imaging -- A Mini Review

Salzburg University of Applied Sciences（萨尔茨堡应用技术大学）；University of Salzburg（萨尔茨堡大学）

本文综述120篇医学影像异常检测论文，归纳应用、结果与经验，指出研究重点在于减少标注依赖，并展示向OCT和胸部X光等领域拓展的潜力。

2024-12-02cs.CVcs.LGeess.IV

Fed-Sim：医学成像的联邦仿真

Fed-Sim: Federated Simulation for Medical Imaging

KU Leuven（鲁汶大学）；Vector Institute（向量研究所）；NVIDIA（英伟达）；University of Toronto（多伦多大学）；University of Leeds（利兹大学）

标记数据是昂贵且耗时的，特别是对于诸如包含体积成像数据并且需要专业知识的医学成像的领域。利用跨多个中心可用的更大的标记数据池，例如在联邦学习中，也取得了有限的成功，因为当前的深度学习方法不能很好地推广使用来自不同制造商的扫描仪获取的图像。我们的目标是解决这些问题，在一个共同的，基于学习的图像模拟框架，我们称之为联邦仿真。我们介绍了一种物理驱动的生成方法，该方法由两个可学习的神经模块组成：1）一个合成3D心脏形状及其材料的模块，以及2）一个CT模拟器，将这些图像渲染成逼真的3D CT图像，并带有注释。由于几何形状和材料的模型与成像传感器无关，因此可以在多个医疗中心有效地进行训练。我们表明，我们的数据合成框架提高了几个数据集上的下游分割性能。项目页面：https://nv-tlabs.github.io/fed-sim/。

2020-09-01cs.CVcs.LGeess.IV

解锁ChatGPT智能诊断在医学影像中的潜力

Unlocking the Potential of Medical Imaging with ChatGPT's Intelligent Diagnostics

Prince Sultan University（苏丹王子大学）

本文提出一种基于深度学习与ChatGPT的医学影像智能诊断决策支持系统，通过提取影像关键信息并生成自动诊断报告，以提升诊断效率与准确性。

2023-05-12cs.CVcs.LGeess.IV

迈向医学影像中的通用无监督异常检测

Towards Universal Unsupervised Anomaly Detection in Medical Imaging

Technical University of Munich（慕尼黑工业大学）；Helmholtz AI and Helmholtz Center Munich（亥姆霍兹人工智能与亥姆霍兹慕尼黑中心）；Klinikum Rechts der Isar（伊萨尔河右岸医院）；Imperial College London（伦敦帝国理工学院）

本文提出 Reversed Auto-Encoders（RA）无监督方法，通过伪健康重建跨脑MRI、儿童腕部和胸部X光检测多种病变，性能优于现有方法。

2024-01-19cs.CVcs.LGeess.IV

从诊断预测到反事实解释的医学成像深度学习

Deep Learning for Medical Imaging From Diagnosis Prediction to its Counterfactual Explanation

University of Utah（犹他大学）

深度神经网络（DNN）在计算机视觉任务中取得了前所未有的性能，在商业、技术和科学领域几乎无处不在。虽然在设计高度精确的架构并提供可用的模型解释方面做出了大量努力，但大多数最先进的方法首先是为自然视觉设计的，然后再转化为医学领域。本文试图通过提出新的架构来解决这一差距，该架构将医学成像的特定领域约束集成到DNN模型和解释设计中。

2022-09-07cs.CVeess.IV

大数据医学影像中低秩与局部低秩矩阵逼近的系统综述

A Systematic Review of Low-Rank and Local Low-Rank Matrix Approximation in Big Data Medical Imaging

Rhodes University（罗德斯大学）；Osnabrück University（奥斯纳布吕克大学）；International Centre for Radio Astronomy Research (ICRAR)（国际射电天文研究中心）；Curtin University（科廷大学）；ARC Centre of Excellence for All Sky Astrophysics in 3 Dimensions (ASTRO 3D)（ARC全天天体物理学卓越中心（ASTRO 3D））；Curtin Institute of Radio Astronomy（科廷射电天文研究所）

本综述系统分析低秩与局部低秩矩阵逼近在医学影像中的应用，指出局部方法更优，并提出语义分割、随机搜索及混合优化等改进策略以扩展其适用性。

2025-02-27cs.CVcs.LGeess.IV

多尺度扩散模型用于医学影像超分辨率

Scale-Cascaded Diffusion Models for Super-Resolution in Medical Imaging

University of Pennsylvania（宾夕法尼亚大学）；Siemens Healthineers（西门子医疗）；Siemens Industry Software（西门子工业软件）

本文提出多尺度扩散模型用于医学影像超分辨率，通过分解图像为不同频带并训练独立先验，提升重建质量并减少推理时间。

2026-01-30cs.CVcs.LGeess.IV

MIST：一个简单且可扩展的端到端3D医学图像分割框架

MIST: A Simple and Scalable End-To-End 3D Medical Imaging Segmentation Framework

The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）；Rice University（莱斯大学）

本文提出MIST，一个简单、模块化、端到端的3D医学图像分割框架，通过标准化训练、测试和评估流程，解决现有方法难以公平比较的问题，并在BraTS数据集上验证了其准确性和多GPU可扩展性。

2024-11-18cs.AIcs.CVcs.LG

用于多模态医学成像的图卷积网络：方法、架构和临床应用

Graph Convolutional Networks for Multi-modality Medical Imaging: Methods, Architectures, and Clinical Applications

UNC Charlotte（北卡罗来纳大学夏洛特分校）；Sensebrain Research（Sensebrain研究院）；UCLA（加州大学洛杉矶分校）；Stanford University（斯坦福大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Rutgers University（罗格斯大学）

基于图像的表征和疾病理解涉及跨生物尺度的形态、空间和拓扑信息的综合分析。图卷积网络（GCN）的发展为通过图驱动架构解决这种信息复杂性创造了机会，因为GCN可以以显着的灵活性和效率执行特征聚合，交互和推理。这些GCN的能力催生了医学成像分析研究的新浪潮，其总体目标是改善定量疾病理解，监测和诊断。然而，为多模态医学成像设计重要的图像到图形转换以及深入了解模型解释和增强的临床决策支持仍然面临着艰巨的挑战。在这篇综述中，我们提出了最近的GCN的发展的背景下，医学图像分析，包括成像数据从放射学和组织病理学。我们讨论了在医学图像分析中快速增长的图形网络架构的使用，以改善疾病诊断和临床实践中的患者结局。为了促进跨学科研究，我们介绍了GCN的技术进步，新兴的医学应用，确定了使用基于图像的GCN及其在模型解释中的扩展所面临的共同挑战，以及有望改变医学图像研究和相关图形驱动医学研究范围的大规模基准。

2022-04-21cs.AIcs.CVcs.LG

不确定性估计及其在医学成像中应用的综述

A Review of Uncertainty Estimation and its Application in Medical Imaging

Sichuan University（四川大学）；Tianjin University（天津大学）；Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局高性能计算研究所（IHPC））

本文综述了深度学习中的不确定性估计方法及其在医学成像中的应用，探讨了偶然与认知不确定性的估计方式，并总结了结合不确定性估计的深度学习模型的最新进展、挑战与未来方向。

2023-05-16cs.CVeess.IV

CT2Rep：面向3D医学影像的自动化放射学报告生成

CT2Rep: Automated Radiology Report Generation for 3D Medical Imaging

University of Zurich（苏黎世大学）；Istanbul Medipol University（伊斯坦布尔梅迪波尔大学）

CT2Rep首次实现3D胸部CT的放射学报告自动生成，采用自回归因果Transformer，并结合交叉注意力多模态融合与分层记忆以利用纵向数据。

2024-07-04cs.CVeess.IV

医学成像与深度学习：MIDL 2020 --短论文跟踪

Medical Imaging with Deep Learning: MIDL 2020 -- Short Paper Track

本汇编收集了2020年7月6日至9日在加拿大蒙特利尔举行的第三届医学成像与深度学习国际会议（MIDL 2020）的所有已接受的扩展摘要。请注意，这里只列出了可接受的扩展摘要，MIDL 2020 Full Paper Track的论文集发表在Proceedings of机器学习研究（PMLR）中。

2020-06-29cs.CVcs.LG

医学成像中的深度学习综述：成像特征、技术趋势、案例研究与进展亮点以及未来承诺

A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises

School of Biomedical Engineering, University of Science and Technology of China（中国科学技术大学生物医学工程学院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Tel-Aviv University（特拉维夫大学）；University of Pennsylvania（宾夕法尼亚大学）；Yale University（耶鲁大学）；Radboud University Medical Center（拉德堡德大学医学中心）；Case Western Reserve University（凯斯西储大学）；Louis Stokes Cleveland Veterans Administration Medical Center（路易斯·斯托克斯克利夫兰退伍军人事务医疗中心）；Johns Hopkins University（约翰霍普金斯大学）；Klinikum rechts der Isar, TU Munich（慕尼黑工业大学右岸医院）；Imperial College（帝国理工学院）；National Institute of Health Clinical Center（美国国立卫生研究院临床中心）

自其复兴以来，深度学习已广泛应用于各种医学成像任务，并在许多医学成像应用中取得了显著的成功，从而推动我们进入所谓的人工智能（AI）时代。众所周知，人工智能的成功主要归功于单个任务的大数据注释的可用性以及高性能计算的进步。然而，医学成像提出了深度学习方法所面临的独特挑战。在这篇调查论文中，我们首先介绍了医学成像的特点，强调了医学成像的临床需求和技术挑战，并描述了深度学习的新兴趋势如何解决这些问题。我们涵盖了网络架构，稀疏和嘈杂的标签，联合学习，可解释性，不确定性量化等主题，然后，我们提出了几个案例研究，在临床实践中常见的，包括数字病理学和胸部，大脑，心血管和腹部成像。而不是提出一个详尽的文献调查，而是描述了一些突出的研究重点与这些案例研究的应用。最后，我们讨论和介绍了有前途的未来方向。

2021-03-05cs.CVeess.IV

医学成像中领域自适应和泛化的强基线

A Strong Baseline for Domain Adaptation and Generalization in Medical Imaging

Enlitic（Enlitic公司）

该方法为医学成像中的多源多靶领域自适应和泛化问题提供了有力的基础。使用十个胸部X射线数据集的不同集合，我们以经验证明了在不同患者人群上训练医学成像深度学习模型以推广到样本外域的好处。

2019-04-02cs.AIcs.CVeess.IV

基于数据增强的鲁棒训练用于医学影像分类

Robust Training with Data Augmentation for Medical Imaging Classification

University of Connecticut（康涅狄格大学）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）

本研究提出带数据增强的鲁棒训练算法（RTDA），在医学影像分类中提升对对抗攻击和分布偏移的鲁棒性，同时保持高准确率。

2025-06-20cs.AIcs.CVcs.LG

基于成像的医疗诊断应用的数据增强方法的批判性评估

A Critical Appraisal of Data Augmentation Methods for Imaging-Based Medical Diagnosis Applications

University of Central Florida（中佛罗里达大学）；Northwestern University（西北大学）；Mayo Clinic（梅奥诊所）；Sheikh Shakhbout Medical City（谢赫·沙赫布特医疗城）

目前的数据增强技术和变换非常适合于提高自然图像数据集的大小和质量，但尚未针对医学成像进行优化。我们假设，次优的数据增强很容易扭曲或遮挡医学图像，导致患者诊断、预测或治疗/手术评估期间的假阳性或假阴性。在我们的实验结果中，我们发现，利用常用的基于强度的数据增强扭曲的MRI扫描，并导致纹理信息丢失，从而对分类的整体性能产生负面影响。此外，我们观察到，常用的数据增强方法不能与医学成像中的即插即用方法一起使用，并且需要手动调谐和调整。

2022-12-14cs.CVeess.IV

人工智能在医学影像肿瘤分区分析中的应用

Artificial Intelligence in Tumor Subregion Analysis Based on Medical Imaging: A Review

Emory University（埃默里大学）；Winship Cancer Institute（温希普癌症研究所）；Emory University School of Medicine（埃默里大学医学院）

医学成像广泛应用于癌症诊断和治疗，人工智能（AI）在医学图像分析的各种任务中取得了巨大成功。本文综述了基于人工智能的肿瘤亚区分析在医学影像中的应用。本文综述了近年来基于人工智能的肿瘤亚区分析方法及其应用。具体来说，我们根据训练策略对基于AI的方法进行分类：监督和无监督。每一类别都有详细的审查，突出了重要的贡献和成就。具体的挑战和潜在的AI应用在肿瘤亚区分析进行了讨论。

2021-03-25cs.CVeess.IVphysics.med-ph

医学成像中的不变散射变换

Invariant Scattering Transform for Medical Imaging

University of Oklahoma（俄克拉荷马大学）

本文综述了不变散射变换在医学成像中的类型、应用与局限，并探讨其与深度学习结合以提升分割、分类和配准等任务性能的潜力。

2023-05-31cs.CVeess.IV

一种通用的3D框架和模型用于医学影像中的自监督学习

A generalizable 3D framework and model for self-supervised learning in medical imaging

Department of Medical Biophysics, University of Toronto（多伦多大学医学生物物理学系）；Department of Computer Science, University of Toronto（多伦多大学计算机科学系）；Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究所）；Physical Sciences Platform, Sunnybrook Research Institute（圣母医院研究学院物理科学平台）；Vector Institute, Toronto（多伦多向量研究所）；Department of Laboratory Medicine and Pathobiology, University of Toronto（多伦多大学实验室医学与病理学系）；Hurvitz Brain Sciences, Sunnybrook Health Sciences Centre（圣母医院健康科学中心Hurvitz脑科学）；Harquail Centre for Neuromodulation, Sunnybrook Health Sciences Centre（圣母医院健康科学中心Harquail神经调制中心）

本文提出3DINO方法，基于大规模多模态数据集预训练出通用医学影像模型3DINO-ViT，验证其在多种医学影像分割和分类任务中的泛化能力，优于现有方法。

2026-06-08cs.CVeess.IV

自动化数据标注的迭代优化策略：医学影像中的面部关键点诊断

Iterative Refinement Strategy for Automated Data Labeling: Facial Landmark Diagnosis in Medical Imaging

The University of Melbourne（墨尔本大学）

针对医学影像面部关键点诊断中的自动标注难题，本文提出结合反馈机制与先进算法的迭代优化策略，以减少人工干预并提升标签质量及深度学习性能。

2024-04-08cs.AIcs.CVcs.LG

医学成像应用中深度卷积神经网络的不确定性和显著性图的可视化

Visualizing Uncertainty and Saliency Maps of Deep Convolutional Neural Networks for Medical Imaging Applications

Ryerson University（瑞尔森大学）

深度学习模型现在被用于许多不同的行业，而在某些领域，安全性并不是医疗领域的关键问题，而是一个巨大的问题。我们不仅希望模型能够很好地泛化，而且还想知道模型对其决策的置信度，以及哪些特征最重要。我们的团队旨在开发一个完整的管道，不仅显示模型决策的不确定性，而且还显示显着图，以显示输入图像的哪些像素集对预测贡献最大。

2019-07-05cs.CVcs.LGeess.IV

基于操作学习的电磁医学成像边界估计

Operational Learning-based Boundary Estimation in Electromagnetic Medical Imaging

The University of Queensland（昆士兰大学）

将成像对象的边界作为成像算法的先验信息可以显著提高电磁医学成像系统的性能。为了避免使用不同的传感器和受试者的运动的不利影响，过度复杂的系统，提出了一种基于学习的方法来估计使用相同的电磁成像数据的成像对象的边界（外部轮廓）。虽然成像技术可能会丢弃占主导地位的反射系数和无信息的成像，这些参数用于边界检测。通过使用具有在0.7-1.6 GHz频带上工作的16元件天线阵列的头部成像系统，通过独立的临床人体试验来验证所学习的模型。实验结果表明，该模型在检测头部边界时，Hu矩的平均相异度为0.012。该模型可以快速扫描和创建图像，同时无需额外的设备来进行准确的边界估计。

2021-08-04cs.CVcs.LG

MedNet：用于医学成像任务的预训练卷积神经网络模型

MedNet: Pre-trained Convolutional Neural Network Model for the Medical Imaging Tasks

Queensland University of Technology（昆士兰科技大学）；University of Jaen（哈恩大学）；The University of Queensland（昆士兰大学）；University of Sumer（苏美尔大学）；University of Baghdad（巴格达大学）；The University of Information Technology & Communications（信息与通信技术大学）；University of Missouri（密苏里大学）

深度学习（DL）需要大量的训练数据来提供高质量的结果。然而，医学成像领域缺乏足够的数据来正确训练DL模型，因为医学图像需要由临床专家进行手动标记，因此该过程耗时、昂贵且容易出错。最近，引入了迁移学习（TL），以通过迁移由先前任务执行的知识，然后使用相对较小的数据集微调结果，来减少对注释过程的需要。如今，来自医学成像的多种分类方法利用来自通用预训练模型的TL，例如，ImageNet已被证明是无效的，因为从自然图像（ImageNet）中学习的特征与从医学图像（特别是医学灰度图像，如X射线）中学习的特征之间存在不匹配。ImageNet没有灰度图像，如MRI，CT和X射线。在本文中，我们提出了一种新的DL模型用于解决分类任务的医学成像，称为MedNet。为此，我们的目标是发布两个版本的MedNet。第一个是Gray-MedNet，它将在3 M公开可用的灰度医学图像上进行训练，包括MRI，CT，X射线，超声和PET。第二个版本是Color-MedNet，它将在3 M公开的彩色医学图像上进行训练，包括组织病理学，拍摄的图像和许多其他图像。为了验证MedNet的有效性，将对两个版本进行微调，以针对更精简的医学图像集的目标任务进行训练。MedNet作为预训练的模型来处理医学成像的任何现实应用，并达到处理医学成像任务所需的泛化水平，例如分类。MedNet将为研究界提供服务，作为未来研究的基线。

2021-10-13cs.CVcs.LG

基于分数的生成模型求解医学成像反问题

Solving Inverse Problems in Medical Imaging with Score-Based Generative Models

Stanford University（斯坦福大学）

从部分测量数据重建医学图像是计算机断层成像（CT）和磁共振成像（MRI）中的一个重要逆问题。基于机器学习的现有解决方案通常训练模型以利用成对图像和测量的训练数据集来将测量直接映射到医学图像。这些测量通常使用测量过程的固定物理模型从图像合成，这阻碍了模型对未知测量过程的泛化能力。为了解决这个问题，我们提出了一个完全无监督的逆问题解决技术，利用最近推出的基于分数的生成模型。具体来说，我们首先训练一个基于分数的生成模型的医学图像捕捉他们的先验分布。给定的测量和测量过程中的物理模型在测试时，我们引入了一种采样方法来重建与先前和观察到的测量一致的图像。我们的方法在训练过程中不假设固定的测量过程，因此可以在测试时灵活地适应不同的测量过程。从经验上讲，我们在CT和MRI的几个医学成像任务中观察到与监督学习技术相当或更好的性能，同时对未知测量过程表现出更好的泛化能力。

2022-06-16cs.CVcs.LGeess.IV

全面且易用的多领域多任务医学成像元数据集

A comprehensive and easy-to-use multi-domain multi-task medical imaging meta-dataset

University of Tübingen（图宾根大学）；Faculty of Health Sciences and Medicine, University of Lucerne（健康科学与医学学院 图宾根大学）

针对医学图像分析中机器学习技术面临的数据集稀缺及预处理复杂问题，提出新型多领域多任务元数据集MedIMeta，含19个数据集、10个领域、54项任务并标准化，经技术验证可支持全监督和跨领域少样本学习。

2025-11-17cs.CVcs.LG

基于重组的医学影像不平衡分类

Imbalanced Classification in Medical Imaging via Regrouping

University of Minnesota, Twin Cities（明尼苏达大学双城分校）

我们建议执行不平衡分类重组多数类成小类，使我们把问题变成平衡的多类分类。这个新的想法是显着不同的流行损失重新加权和类reservation方法。我们对不平衡医学图像分类的初步研究结果表明，这种自然的想法可以大大提高分类性能，平均精度（近似于精度召回曲线下的面积，或AUPRC），这是更适合于评估不平衡的分类比其他指标，如平衡的准确性。

2022-10-26cs.CVcs.LG

面向医学成像的不变散射变换

Invariant Scattering Transform for Medical Imaging

Pioneer Alpha（先锋阿尔法）

本文研究将不变散射变换这一小波技术应用于医学图像分析，通过在深度卷积网络中散射信号信息构建高效表示，以提升医学图像分类性能。

2023-07-07cs.CVeess.IV

深度学习在医学成像中的应用概述

An overview of deep learning in medical imaging

College of Information Sciences and Technology, Northwest University（西北大学信息科学与技术学院）

机器学习（ML）在最近十年中得到了广泛的关注。这一成功始于2012年，当时ML模型在ImageNet Classification中取得了巨大的胜利，ImageNet Classification是世界上最着名的计算机视觉竞赛。这个模型是一种卷积神经系统（CNN），称为深度学习（DL）。从那时起，研究人员开始有效地参与DL发展最快的研究领域。如今，DL系统是跨越从人类语言处理到视频分析等广泛学科的尖端ML系统，通常用于学术界和企业部门。最新的进展可以给医学领域带来巨大的进步。改进和创新的数据处理、图像分析方法，可以逐步显著提高诊断技术和医疗服务水平。快速回顾了目前的发展与相关的问题，在该领域的DL用于医学成像。审查的主要目的有四个：（i）通过讨论不同的DL模型，提供DL的简短序言，（ii）回顾DL在医学图像分析中的应用（分类，检测，分割和配准），（iii）回顾了DL在医学成像中的七个主要应用领域，（iv）为那些热衷于在临床成像中加入DL研究领域的人提供一个初始阶段，提供一些有用的信息资产的链接，例如免费提供的DL代码，公共数据集表7和医学成像竞赛来源表8，并通过概述DL在医学科学领域的独特持续困难、经验教训和未来来结束我们的调查。

2022-02-17cs.CVeess.IV

ipA-MedGAN：医学成像中任意区域的修复

ipA-MedGAN: Inpainting of Arbitrary Regions in Medical Imaging

University of Stuttgart（斯图加特大学）

由于多种因素，如金属植入物或磁共振成像（MRI）中的有限视野，医疗模式中的局部变形是常见现象。缺失或失真区域的完成对于自动图像分析框架来说是特别感兴趣的，以增强诸如分割或分类之类的后处理任务。在这项工作中，我们提出了一个新的生成框架的医学图像修复，名为ipA-MedGAN。它绕过了以前的框架的限制，使修复任意形状的区域，而无需事先定位的区域的兴趣。与其他修复和翻译方法进行了彻底的定性和定量比较，说明了所提出的大脑MR修复任务框架的优越性能。

2020-01-30cs.CVeess.IV

我如何在医学成像中失败的机器学习-缺点和建议

How I failed machine learning in medical imaging -- shortcomings and recommendations

INRIA（法国国家信息与自动化研究所）；IT University of Copenhagen（哥本哈根信息技术大学）

医学成像是一个重要的研究领域，有许多机会改善患者的健康。然而，有一些挑战正在减缓整个领域的进展，例如优化出版。本文综述了与选择数据集、方法、评价指标和发表策略有关的几个问题。通过对文献的回顾和我们自己的分析，我们表明，在每一步，潜在的偏见都可能悄悄地出现。从积极的方面来看，我们还看到，已经开始采取措施解决这些问题。最后，我们提供了一个广泛的建议，如何进一步解决这些问题的未来。为了重现性，我们分析的数据和代码可在\url{https://github.com/GaelVaroquaux/ml_med_imaging_failures}上获得

2022-05-12cs.CVcs.LGeess.IV

输血：理解医学成像的迁移学习

Transfusion: Understanding Transfer Learning for Medical Imaging

Cornell University（康奈尔大学）；Google Brain（谷歌大脑）

使用标准大型模型和相应的预训练权重从自然图像数据集（特别是ImageNet）进行迁移学习已成为医学成像深度学习应用的事实方法。然而，自然图像分类和目标医疗任务之间在数据大小、特征和任务规范方面存在根本差异，并且对转移的影响了解甚少。在本文中，我们探讨医学影像学的迁移学习的性质。对两个大规模医学成像任务的性能评估表明，令人惊讶的是，传输对性能几乎没有好处，简单，轻量级的模型可以执行到ImageNet架构的转换。研究学习的表示和特征，我们发现与迁移学习的一些差异是由于标准模型的过度参数化，而不是复杂的特征重用。我们隔离有用的功能重用发生，并概述了更有效的模型探索的影响。我们还探讨了功能独立的利益转移所产生的重量缩放。

2019-10-29cs.CVcs.LGstat.ML

使用渐进增长AmbientGANs从医学成像测量中学习随机对象模型

Learning stochastic object models from medical imaging measurements using Progressively-Growing AmbientGANs

Washington University in St. Louis（圣路易斯华盛顿大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carle Foundation Hospital（卡尔基金会医院）

它一直主张，医学成像系统和重建算法应进行评估和优化，通过使用客观的图像质量的措施，量化的性能观察员在特定的诊断任务。一个重要的可变性来源，可以显着限制观察者的表现是变化的对象被成像。这种可变性的来源可以通过随机对象模型（SOM）来描述。SOM是一种生成模型，可用于建立具有规定统计特性的待成像对象的集合。为了准确地对解剖结构和对象纹理的变化进行建模，期望根据通过使用良好表征的成像系统获取的实验成像测量来建立SOM。深度生成神经网络，如生成对抗网络（GANs），在这方面具有巨大的潜力。然而，传统的GANs通常通过使用受测量噪声和重建过程的影响的重建图像来训练。为了规避这一点，已经提出了一种AmbientGAN，其利用测量算子来增强GAN。然而，原始的AmbientGAN无法立即从现代训练程序中受益，例如渐进式增长，这限制了其应用于现实大小的医学图像数据的能力。为了规避这一点，在这项工作中，一个新的渐进式成长的AmbientGAN（ProAmGAN）的战略，建立SOM从医学成像测量。程式化的数值研究对应于常见的医学成像模式进行演示和验证所提出的方法建立SOM。

2020-05-29cs.CVcs.LGeess.IV

面向医学影像的机器遗忘

Machine Unlearning for Medical Imaging

Helmholtz Munich（亥姆霍兹慕尼黑中心）；Technical University of Munich（慕尼黑工业大学）；King’s College London（伦敦国王学院）；Imperial College London（伦敦帝国学院）

本研究评估不同机器遗忘算法在医学影像领域的效果与效率，发现其在保留集、遗忘集表现良好且无性别偏见，但会损害模型泛化能力、存在样本难度偏见且有额外调参开销，为算法改进指明方向。

2024-07-10cs.CVcs.LG

精准医学工具箱：一个用于促进定量医学影像和放射组学分析的开源Python包

Precision-medicine-toolbox: An open-source python package for facilitation of quantitative medical imaging and radiomics analysis

The D-Lab, Department of Precision Medicine（精准医学系D实验室）；GROW—School for Oncology, Maastricht University（马斯特里赫特大学GROW肿瘤学院）；GIGA Cyclotrone Research Center（GIGA回旋加速器研究中心）；University of Liege（列日大学）；Department of Radiology and Nuclear Medicine（放射与核医学系）；Maastricht University Medical Centre（马斯特里赫特大学医学中心）

本文介绍了一个开源Python工具箱，用于医学影像的数据整理、预处理和放射组学特征提取，旨在提高定量医学影像研究的可重复性。

2022-02-28cs.CVcs.LGeess.IV

可信医学影像的物理基础：面向人工智能研究者的综述

Physical foundations for trustworthy medical imaging: a review for artificial intelligence researchers

IFCA.unican.es（IFCA大学）

本文面向AI研究者系统综述医学影像的物理基础，分析其对生成模型与重建算法的影响，并提出将物理约束融入机器学习以提升模型可信度与鲁棒性。

2025-04-28cs.AIcs.CVeess.IV

基于选择引擎的多模态医学影像自适应交互式分割

Adaptive Interactive Segmentation for Multimodal Medical Imaging via Selection Engine

Hangzhou Dianzi University（杭州电子科技大学）；Chinese PLA General Hospital（中国人民解放军总医院）；Communication University of Zhejiang（浙江传媒学院）

针对多模态医学影像分割的适应性与泛化性挑战，提出基于SAM2的策略驱动交互式分割模型SISeg，集成选择引擎AFSE优化提示帧选择，在10个多模态数据集上验证了其强大性能。

2024-11-29cs.AIcs.CVcs.LG

医学图像神经网络中知识传递的评价

Evaluating Knowledge Transfer in Neural Network for Medical Images

Public Health Ontario（安大略省公共卫生局）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）

深度学习和知识转移技术已经渗透到医学成像领域，并被认为是彻底改变诊断成像实践的关键方法。然而，由于缺乏大量带注释的成像数据，将深度学习成功集成到医学成像任务中仍然存在挑战。为了解决这个问题，我们提出了一个师生学习框架，将知识从精心训练的卷积神经网络（CNN）教师转移到学生CNN。在这项研究中，我们探讨了知识转移在医学影像设置的性能。我们研究了当学生网络在一个小数据集（目标数据集）上训练时，以及当教师和学生的域不同时，所提出的网络的性能。CNN模型的性能在三个医学成像数据集上进行了评估，包括糖尿病视网膜病变，CheXpert和ChestX-ray 8。我们的研究结果表明，师生学习框架优于迁移学习的小成像数据集。特别地，师生学习框架将CheXpert（n= 5 k）的小样本上的CNN模型的ROC曲线下面积（AUC）提高了4%，并且将ChestX-ray 8（n=5.6k）提高了9%。除了小的训练数据大小，我们还证明了师生学习框架在医学成像环境中与迁移学习相比的明显优势。我们观察到，教师-学生网络不仅可以提高诊断性能，而且可以在数据集较小时减少过拟合。

2020-09-17cs.CVeess.IV

使用GANs从有限数据合成逼真图像以增强医学成像

Enhancing Medical Imaging with GANs Synthesizing Realistic Images from Limited Data

Columbia University（哥伦比亚大学）；Texas Tech University（德克萨斯理工大学）；University of California, Davis（加利福尼亚大学戴维斯分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；North Carolina State University（北卡罗来纳州立大学）

本研究提出一种基于深度卷积神经网络架构的生成对抗网络方法，能在有限真实数据下合成高度逼真的医学图像，展现出优异的泛化能力与稳健性能。

2024-05-22cs.CVeess.IV

基准测试依赖度量以防止医学影像中的捷径学习

Benchmarking Dependence Measures to Prevent Shortcut Learning in Medical Imaging

Hertie Institute for AI in Brain Health, University of Tübingen（蒂宾根大学赫蒂脑健康人工智能研究所）；University Hospital of Tübingen（蒂宾根大学医院）；University of Stuttgart（斯图加特大学）；University of Bern（伯尔尼大学）；Inselspital, Bern University Hospital（伯尔尼大学医院 Inselspital）；Stanford University（斯坦福大学）

针对医学影像中混淆因素导致的捷径学习问题，该研究通过基准测试互信息、距离相关性和对抗分类器等依赖度量，在Morpho-MNIST和CheXpert数据集上验证了其最小化任务无关变量影响的效果，为减轻混淆因素提供了见解。

2024-07-29cs.CVcs.LG

定量成像原理改善医学图像学习

Quantitative Imaging Principles Improves Medical Image Learning

University of Hawaii（夏威夷大学）；University of Hawaii Cancer Center（夏威夷大学癌症中心）；Pennington Biomedical Research Center（彭宁顿生物医学研究中心）；Louisiana State University（路易斯安那州立大学）

自然图像和医学图像之间的根本差异最近有利于在医学图像应用中使用自监督学习（SSL）而不是ImageNet迁移学习。图像类型之间的差异主要是由于成像模态和医学图像利用广泛的基于物理的技术，而自然图像仅使用可见光捕获。虽然许多人已经证明，在医学图像上的SSL导致了更好的下游任务性能，但我们的工作表明，可以获得更多的性能。在构造学习问题时，通常不考虑用于获取医学图像的科学原理。出于这个原因，我们建议在生成SSL过程中结合定量成像原理，以提高图像质量和定量生物学准确性。我们表明，这种训练模式在有限的数据上为下游监督训练提供了更好的起始状态。我们的模型还生成了在临床定量分析软件上验证的图像。

2022-07-11cs.CVeess.IVq-bio.QM

医学成像中的隐式神经表示：一项比较性综述

Implicit Neural Representation in Medical Imaging: A Comparative Survey

Iran University of Science and Technology（伊朗科技大学）；South Dakota State University（南达科他州立大学）；RWTH Aachen University（亚琛工业大学）；University of Regensburg（雷根斯堡大学）；Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学MEVIS研究所）

本综述全面探讨了隐式神经表示（INRs）在医学成像领域的应用，分析了其在图像重建、分割等任务中的优势与局限，并指出了未来与多模态成像整合等研究方向。

2023-07-30cs.CVeess.IV

突破知识孤岛：面向医学影像AI的任务指纹化以实现民主化

Beyond Knowledge Silos: Task Fingerprinting for Democratization of Medical Imaging AI

National Center for Tumor Diseases (NCT)（肿瘤疾病国家中心）；German Cancer Research Center (DKFZ) Heidelberg（德国癌症研究中心（Heidelberg））；Faculty of Mathematics and Computer Science（数学和计算机科学学院）；Heidelberg University（海德堡大学）；HIDSS4Health - Helmholtz Information and Data Science School for Health（HIDSS4Health - 健康信息与数据科学学校）；Medical Faculty（医学学院）；Pattern Analysis and Learning Group（模式分析与学习小组）

本文提出了一种基于任务指纹的医学影像AI知识转移框架，通过量化任务相似性促进知识共享与协作模型训练，提升AI在医学影像领域的民主化进程。

2026-01-19cs.CVcs.LG

医学影像中的基础模型：现状、挑战与方向

Foundation Models for Medical Imaging: Status, Challenges, and Directions

Rensselaer Polytechnic Institute（伦斯勒理工学院）；GE HealthCare Technology & Innovation Center（GE医疗技术与创新中心）

本文综述了医学影像中基础模型的现状、挑战与未来方向，强调了通用型模型在跨模态和临床任务中的适应能力及临床应用的可行性。

2026-02-17cs.AIcs.CVeess.IV

面向数据隐私的医学影像通用模型域泛化方法

Universal Medical Imaging Model for Domain Generalization with Data Privacy

University of British Columbia（不列颠哥伦比亚大学）

本文提出一种联邦学习方法，在不访问本地标注数据的前提下，将多个本地模型知识迁移至全局模型，实现医学影像多任务域泛化，并在八个数据集上显著优于掩码图像建模基线。

2024-07-20cs.CVeess.IV

L2-optimal图像插值及其在医学成像中的应用

L2-optimal image interpolation and its applications to medical imaging

数字医学图像总是按比例显示以适应特定视图。插值是这种缩放的原因，如果处理不当，可能会显著降低诊断图像质量。然而，理论上最优的插值算法也可能是最耗时和不切实际的。我们提出了一种新的方法，适应数字医学成像的需要，结合高插值速度和优越的L2最优图像质量。

2010-06-11cs.CVcs.GR

增强医学成像：增强数据分析的65种技术的综合目录

Augmenting Medical Imaging: A Comprehensive Catalogue of 65 Techniques for Enhanced Data Analysis

Universitat de Barcelona（巴塞罗那大学）

在医学成像领域，机器学习模型的训练需要大量不同的训练数据集，以确保鲁棒性和互操作性。然而，由于需要对每个图像进行专家标记以及与医疗数据相关联的隐私问题，获取这种多样化和异构的数据可能是困难的。为了规避这些挑战，数据增强已成为一种有前途且具有成本效益的技术，用于增加训练数据集的大小和多样性。在这项研究中，我们提供了一个全面的审查，具体的数据增强技术在医学成像，并探讨其好处。我们对医学成像中使用的所有数据增强技术进行了深入研究，确定了11种不同的目的并收集了65种不同的技术。这些技术被操作成基于空间变换、基于颜色和对比度调整、基于噪声、基于变形、基于数据混合、基于滤波器和掩模、基于划分、基于多尺度和多视图以及基于元学习的类别。我们观察到，一些技术需要手动指定所有参数，而其他技术则依赖于自动化来根据任务要求调整增强的类型和幅度。这些技术的利用，使更强大的模型，可以应用于有限的或具有挑战性的数据可用性的领域的发展。预计今后可用技术的清单将扩大，为研究人员提供更多的选择。

2023-03-02cs.CVeess.IV