NVIDIA MICCAI 2021 的研究

深入学习对于在医学成像中建立人工智能模型至关重要，以帮助识别图像中的异常、生成自动测量、标记紧急病例和纵向跟踪。在MICCAI 2021医学图像计算和计算机辅助干预国际会议期间，探索 NVIDIA 作者的最新研究成果。

MICCIA 2021 接受的研究论文重点：

基于深度学习的整张幻灯片多实例学习中的相关性核算

• 在这项工作中，研究人员提出了一种基于深度学习的全幻灯片图像（ WSI ）分类多实例学习（ MIL ）算法，该算法使用基于 transformer 的体系结构明确说明了训练期间实例之间的依赖关系。
• 他们在 PANDA challenge 数据集（目前拥有 11000 多张图像的最大公开 WSI 数据集）上，与基线方法以及 1000 多个竞争团队的 Kaggle challenge 排行榜进行评估，并展示最先进的（ SOTA ）分类结果。

通过对医学图像和报告的交叉关注改进肺炎定位

• 在这项工作中，研究人员提出了一种新的弱监督注意驱动的深度学习模型，该模型在训练期间利用医疗报告中的编码信息，以促进更好的定位。该模型还对与肺炎相关的属性进行分类，并从医疗报告中提取属性进行监督，无需手动注释。
• 该团队展示了两个胸部 X 射线数据集的定量结果，即 MIMIC-CXR [7]和胸部 X 射线 -8 [18]。他们还展示了在新冠病毒 -19 数据集[4]上的定性结果，并通过利用预测属性证明了严重性特征。有关数据集参考详细信息，请参见paper。

基于个性化神经结构的 MRI 联合全前列腺分割

• 在这项工作中，研究人员通过训练“超级网络”，将 FL 与基于局部神经结构搜索的 AutoML 技术相结合。此外，他们提出了一种自适应方案，以允许在每个 FL 客户的站点上实现个性化的模型结构。
• 在 3D 前列腺 MRI 的四个不同数据集上对所提出的方法进行了评估，结果表明，通过 AutoML supernet 选择最佳路径，可以改善局部模型在自适应后的性能。

代理数据和代理网络在医学图像分割超参数优化中的作用

• 在这项工作中，研究人员通过提出两种新的方法来加速超参数的估计：代理数据和代理网络。两者都有助于更有效地估计超参数。
• 在使用知名的公共数据集对 CT 和 MR 成像模式的拟议技术进行评估后，他们展示了：（ 1 ）当使用较小的代理数据在外部验证集上进行测试时，与使用完整数据进行培训相比，具有更高的相关性；（ 2 ） 与完整网络相比，代理网络在验证骰子分数和安全性方面存在高度相关性；（ 3 ） 提出的利用代理网络的方法可以将 AutoML 超参数搜索框架的速度提高 3 . 3 倍，如果同时使用代理数据和代理网络，则可以提高 4 . 4 倍。

其他研究重点：

项目 MONAI 是一项由学术界和业界领袖共同发起的开放源码合作计划，旨在建立和标准化医疗成像领域深度学习的最佳实践。

在 MICCAI ，项目 MONAI 正在发布新的软件，显示人工智能训练的速度提高了约 20 倍。

该版本中的新功能包括使研究人员和临床医生能够协作并创建带注释的数据集，以及设计、开发和验证 AI 驱动的应用程序的工具。

开始使用项目 MONAI >>
MICCAI 2021>>