关注gongzhonghao【CVPR顶会精选】

医学图像分析在疾病诊断与治疗规划中发挥着关键作用，但其面临多模态差异显著、标注数据稀疏、复杂解剖结构建模困难等核心挑战。现有方法在处理多源异构数据时，常受限于模态特异性特征难以融合、模型泛化性不足等问题 。

对于不同目标的研究者，创新路径可灵活选择：若想快速产出成果，可聚焦架构创新并在特定场景验证；若瞄准高区论文，则可深耕高效训练策略，为医学图像的通用化建模提供理论支撑。今天小图给大家精选3篇CVPR有医学图像方向的论文，请注意查收！

论文一：Versatile Medical Image Segmentation Learned from Multi-Source Datasets via Model Self-Disambiguation

方法：

文章首先采用3D TransUNet作为基础网络，提取输入图像的体素特征表示，并通过分割头生成多通道预测结果。接着，针对部分标注和稀疏标注数据中的语义模糊问题，设计了两种模糊感知损失函数，自适应调整未标注体素的损失计算。此外，通过最小化预测的香农熵来融入先验知识，减少模型对未标注体素的不确定性，加速训练过程的收敛。

创新点：

• 提出一种弱监督方法，利用部分标注和稀疏标注数据训练通用分割模型，显著提升数据利用效率，降低模型开发成本。

• 引入模型自消歧机制和先验知识正则化，有效处理标注不一致和模糊问题，提高模型预测的准确性和可靠性。

• 设计层次化采样策略，解决多源数据中的模态、数据集和类别不平衡问题，确保模型训练的稳定性和高效性。

论文链接：

https://openaccess.thecvf.com/content/CVPR2024/html/Chen_Versatile_Medical_Image_Segmentation_Learned_from_Multi-Source_Datasets_via_Model_CVPR_2024_paper.html

图灵学术论文辅导

论文二：Training Like a Medical Resident: Context Prior Learning Toward Universal Medical Image Segmentation

方法：

文章首先设计了先验融合模块，通过注意力机制将先验知识与图像特征图进行融合，以增强模型对不同任务的理解能力。针对不同的骨干网络，如ResUNet和MedFormer，分别实现了双向交叉注意力模块和改进的B-MHA模块，以适应不同网络的架构特点。最后，通过在多个医学图像分割数据集上的实验，展示了Hermes在多模态、多器官分割任务中的有效性和泛化能力，证明了其在不同解剖区域和模态下的适用性。

创新点：

• Hermes 引入了先验融合模块，能够将先验知识与图像特征进行有效融合，显著提升了模型对不同模态和器官的适应能力。

• 提出了针对不同骨干网络的先验融合实现方式，确保了与现有骨干网络的兼容性，同时保持较低的计算开销。

• 通过在多个医学图像分割数据集上的实验，验证了Hermes在多模态、多器官分割任务中的优越性能。

论文链接：

https://arxiv.org/abs/2402.18933

图灵学术论文辅导

论文三：Modality-Agnostic Structural Image Representation Learning for Deformable Multi-Modality Medical Image Registration

方法：

文章首先构建了一个模态无关的深度结构表示网络，通过编码器-解码器网络提取图像特征，利用DNS提取器从特征图中提取深度结构信息，并通过特征压缩模块将其编码为紧凑的DSIR。接着，通过随机非线性强度变换和解剖感知对比学习，增强DSIR的判别力和对比度不变性。最后，将学习到的DSIR应用于多种现有的学习型和迭代优化型配准算法中，将多模态配准问题转化为单模态配准问题，显著提高了配准精度。

创新点：

• 提出了一种新的深度结构图像表示学习方法，能够从单模态医学图像中提取出具有高判别力和对比度不变性的深度结构图像表示。

• 引入了深度邻域自相似性，解决了传统特征描述符的模糊性问题。

• 提出了一种新的解剖感知对比学习策略，通过非线性强度变换最大化具有同质和异质强度分布的解剖位置的特征表示的判别力。

论文链接：

https://doi.org/10.1109/CVPR52733.2024.01064

本文选自gongzhonghao【CVPR顶会精选】