2024/9/16论文赏析（均为1区或顶刊

Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation

代码链接：GitHub - xjiangmed/LTUDA

论文链接：Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation (arxiv.org)

多器官分割：发现的问题：在医学图像分割任务中，有标记的器官是有限的，未标记的器官就不容易识别出来（因为背景也往往是没有标记的），特别是对于器官和背景边界不清晰的情况下。

解决问题：文章提出了一种 标记到未标记的分布对齐（LTUDA）框架，文章主要是通过特征分布对齐和增强判别能力来解决这一挑战。

创新点（文章贡献）：1.提出了交叉集数据增强来桥接标记像素和未标记像素的分布

                                    2.设计了一种基于原型的分布对齐方法，该方法隐式地促进了对齐和紧凑特征表示的学习。

                                3.发现了医学图像分割时，未标记与标记的器官突出显示分布不匹配问题

Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels

代码链接：GitHub - charlesyou999648/MONA: Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels

论文链接：https://arxiv.org/abs/2209.13476

发现问题：1. 医学图像中的，常常存在有些图有长拖尾，这使得有些类别的像素在训练过程中远多于其他类别，在训练过程中盲目利用所有像素可能导致数据不平衡问题，从而影响性能。

        2.一致性问题：由于不同解剖特征之间的类内变异，目前尚不清楚分割模型是否徐熙到了有意义且一致的解剖特征

        3.多样性问题，在整个数据集中，单个切片的关联性受到相对少的关注，这对于学习区分不同解剖试图的相似但独特的样本是一个挑战。

创新点：

1. 解决长尾分布问题：针对医学图像数据的长尾类别分布问题，文章提出了一种策略来积极采样更多尾部类别的难样本，以改善模型在不平衡数据集上的泛化能力。

2. 增强一致性和多样性：文章通过构建一组目标，鼓励模型在无监督的方式下将医学图像分解为一系列解剖特征，这些特征在同一类别类型内是同质的，而对于不同类别类型则是有区别的。