1. Noisy Labels are Treasure: Mean-Teacher-Assisted Confident Learning fo Hepatic Vessel Segmentation解决问题：手动标注耗时耗力，并且低质量的数据集label可能会混淆网络（含有大量噪声）。如何利用含有噪声的低质量数据集？如何解决：提出了一种mean-teacher-assisted confident learning framework 从具有噪声的标注数据集当中提取信息。（知识蒸馏方法）是否sota：否，和Unet作比较有提升，主要内容集中在如何利用噪声信息背后的数据提高分割血管分割效果 2. TransFuse: Fusing Transformer and CNNs for Medical Image Segmentation解决问题：CNN具有归纳偏置，缺乏长距离注意力，效果不好。如何解决：将CNN和Transfomer并行处理分割结果，并且提出了BiFusion模块将二者结合。（Transfomer + CNN + 中间特征层融合）是否sota：是 3. Pancreas CT Segmentation by Predictive Phenotyping解决问题：直接研究CT影像数据的方法进行医学分割诊断没有包含不同的临床条件和标准外观的相关信息。（例如萎缩和囊肿）如何解决：仅靠图片进行胰腺分割可能具有缺陷，因为没有结合其他临床数据，本文结合了医疗电子健康记录EHR作为信息进行分割的知识的补充，通过将图片信息和EHR信息结合编码输入Unet进行分割。是否sota：是 4. Medical Transformer: Gated Axial-Attention for Medical Image Segmentation解决问题：CNN具有归纳偏置，缺少长注意力，利用transformer解决问题，但是医学领域缺乏训练transfomer的大量数据。如何解决：提出了gated axial-attention model。并且为了更加有效的训练医学图片，提出了Local-Global训练策略（LoGo）。能够在数据数量较小的情况下，这种策略能够使其transformer模型不需要在大规模的数据集下先进行训练。（transfomer + 少样本）是否sota：否 5. Anatomy-Constrained Contrastive Learning for Synthetic Segmentation Without Ground-Truth（对比学习，无监督）解决问题：人工标注数据特别麻烦，耗时且耗费力气，是否能够只标注一种模态的数据，而可以利用到别的模态上进行训练。如何解决：提出了AccSeg-Net，无需gt的训练网络。并且使用了anatomy-constraint 和 patch-contrasive取保证无监督训练的泛化过程。是否sota：是，有代码 6. Study Group Learning: Improving Retinal Vessel Segmentation Trained with Noisy Labels解决问题：视网膜图像的获取需要专业医师的标注，这种方法费时费力，小样本训练的模型很容易过拟合。如何解决：提出了一种Study Group Learning方法提升模型在噪声数据上的健壮性，并且一种经过学习得到的enhancement-map可以帮助更好的可视化。（K折交叉 + 知识蒸馏）是否sota：否，主要是提出了这个机制能够改善结果，并且这个enhancement图可以帮助诊断。 7. Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting.解决问题：多阶段的CT图像对肝脏肿瘤分割的效果有效，之前的利用多阶段图像的方法LiTS只关注了通道注意力，却忽略了pixel-wise之间的关系。并且当前方法的性能受制于分割的不确定性（肿瘤边缘不清晰）。如何解决：我们提出的LiTS方法使用了SAM空间注意力模块，并且设计了不确定module URIM模块细化边缘特征。（注意力机制）是否sota：是 8. Convolution-Free Medical Image Segmentation Using Transformers解决问题：CNN对比transformer的问题（跟前面几篇说的一模一样）。如何解决：将3D图像分割成为patch输入transfomer进行试验，并且提出了一种在大量未标注数据集上训练的方法。（transformer）是否sota：否，但比CNN的sota好。 9. Consistent Segmentation of Longitudial Brain MR Images with Spatio-Temporal Constrained Networks（半监督）解决问题：现在的研究大多集中于横向脑切片的MR分割，很少集中于纵向，但实际上这也很重要。如何解决：提出了一种coarse-to-fine 的时空限制分割，并且是基于少的横切图像的半监督问题（现在大多基于纵向）。 10. Multi-branch Hybrid Transformer Network for Corneal Endothelial Cell Segmentation解决问题：CNN的问题（又说了一遍），角膜内皮细胞的分割存在分布不均匀的移动以及边缘模糊问题。如何解决：提出了多分枝Transformer网络（transfomer分支和处理边缘分支）MBT-NET。（Transformer）是否sota：是 11. TransBTS: Multimodal Brain Tumor Segmentation Using Transformer解决问题：CNN对比transformer的问题（文章又又又说了一遍）。如何解决：文章是第一个将3D卷积核Transformer结合的工作，提出了TransBTS，首先按使用3D卷积提出特征，然后喂到transformer里面获取长距离特征。（Transformer）是否sota：是 12. Automatic Polyp Segmentation via Multi-scale Subtraction Network解决问题：大多数的U形的网络结构使用element-wise的加法或者concate的方式融合不同层级的解码，但是这两种操作会产生信息的冗余，削弱不同层级之间的特征融合，从而降低了分割的效果。如何解决：提出了一种多尺度的信息提取的模型MSNet分割肠镜图像，并且设计了提取模块SU提取不同连接层的特征。然后使用金字塔堆积的方式使用在不同等级的特征，最后获取了丰富的多尺度信息。除此之外，我们还设计了LossNet，这是一种无需训练的网络，从底层到高层监督息肉特征。（肠镜，分割）是否sota：是，有代码。 13. Patch-Free 3D Medical Image Segmentation Driven by Super-Resolution Technique and Self-Supervised Guidance （随后更新，超分和子监督相关） 14. Progressively Normalized Self-Attention Network for Video Polyo Segmentation解决问题：现存的VPS模型主要依赖CNN提取特征，但是CNN无法利用全局特征信息。如何解决：使用了PNS-Net结合归一化注意力机制，能够达到在单卡RTX2080的情况下每秒140帧的分割速度。（视频分割），（也是借鉴了transformer但不是完全照搬）。是否sota：是 15. SGNet: Structure-Aware Graph-Based Network for Airway Semantic Segmentation（GCN相关，随后更新） 16. NucMM Dataset: 3D Neuronal Nuclei Instance Segmentation at Sub-Cubic Millimeter Scale. (数据集相关，随后更新) 17. AxonEM Dataset: 3D Axon Instance Segmentation of Brain Cortical Regions（相关电镜显微镜下的数据集，随后更新） 18. Improved Brain Lesion Segmentation with Anatomical Priors from Healthy Subjects解决问题：只使用CNN进行病理区域的分割效果欠佳如何解决：发掘利用额外的先验信息，加入有关大脑组织的解剖学信息区分病理区域。提出了使用一系列相关健康区域和病理区域的扫描配准，并且将这些扫描在体素层面进行配准。然后计算每个的异常分数，这些分数输入分割网络能够较好的提升分割效果。（先验知识）是否sota：否 19. Carve Mix: A Simple Data Augmentation Methond for Brain Lesion Segmentation（新的数据增强手段，随后更新） 20. Boundary-Aware Transfomer for skin Lesion Segmentation解决问题：CNN的问题（相较于Transformer），并且说transformer虽然在整体的注意力上有优势，但是在提取局部特征上却不占优势，尤其是在一些模糊的边缘的位置。如何解决：提出了一种新的边缘向的注意力机制BAG增加到Transformer上，特别的是，我们的这种辅助的BAG的监督效果能够帮助transformer更好的提高空间信息的编码。这种网络我们将其命名为BA-Transformer。（Transformer）。是否sota：是，有代码 21. A Topological-Attention ConvLSTM Network and Its Application to EM Images解决问题：如何提高分割的结构准确性如何解决：提出了CONvLSTM网络，这种网络借助了相连切片的相关上下文信息，并且提出了Spatial Topological-Attention STA转换不同切片之间的时空信息，除此之外还提出了ITA模块更好的捕捉分割的关键特征。（注意力+时间序列LSTM）是否sota：否 22. BiX-Nas：Searching Efficient Bi-directional Architecture for Medical Image Segmentation（NAS相关，随后更新） 23. Multi-task, Multi-domain Deep Segmentation with Shared Representations and Contrastive Regularization for Sparse Pediatric Datasets. （多任务，MR骨分割）解决问题：核磁图像的自动分割十分关键，但是其准确性受制于标注数据太少的。如何解决：提出训练分割模型在多种数据集上，进行多任务，多领域的学习框架。有助于克服儿科数据少的问题。除此之外，一种监督对比归一化手段被提出，为了提高嵌入空间的相似性和内部区域的边缘效果。是否sota：是 24. TEDS-Net: Enforcing Diffeomorphisms in Spatial Transformers to Guarantee Topology Preservation in Segmentation（拓扑，微分同胚）提出问题：准确的拓扑是提高解剖学分割的关键，但是很多时候我们都忽视了传统深度学习手段。如何解决：提出了TEDS-Net，基于微分同胚的方法，能够保证拓扑的一致性。除此之外，微分同胚的可以使用优先数量的参数并且采样。是否sota：否，有代码。 25. Learning Consistency and Discrepancy-Context for 2D Organ Segmentation提出问题：采用3D卷积的方法过度消耗计算资源。（多阶段，2D卷积）如何解决：使用2D解决借助相邻切片的上下文一致性和差异性提高分割效果，一致性主要考虑相邻切片预测和gt的方差擦汗别，不一致性假定相邻切片标签的差异主要出现在有机体的边缘。为了更好的分割上下文信息，我们设计了一种2.5D的分割框架基于UNET. 第一阶段首先预测三个切片的一致性，第二阶段，通过输入不一致性分割网络。是否sota：否 26. Partially-Supervised Learning for Vessel Segmentation in Ocular Images. （少样本）提出问题：血管分割需要大量人工标注的数据。我们提出了一种新的监督手段，称之为Partially-Supervised Learning(PSL)，只依靠部分标注。并且借此我们提出了可一种新的学习框架，且结合laten MixUp方法。这个策略能够自动选择具有最丰富语义的patch。是否sota：否，优点在于使用部分区域训练。 27. Unsupervised Network Learning for Cell Segmentation （无监督，对比学习）提出问题：有标签的细胞分割需要大量的标注图片，这个标注的过程十分耗时而且耗力。如何解决：使用一种unsupervised 细胞分割策略，并且提出USAR框架。借助对比学习机制训练分割网络重建输入图像。是否sota：否，有代码 28. MT-UDA: Towards Unsupervised Cross-modality Medical Image Segmentation with Limited Source Labels.提出问题：传统的UDA能够借助少量的领域数据和足够的目标域完成到目标域的分割。但是依旧面临着数据域的缺乏。如何解决：本提出了如何有效的利用无标签数据到target domaind的跨模态分割，提出了新的UDA框架MT-UDA，并且结合知识蒸馏方法。（知识蒸馏）是否sota：是 29. Context-Aware Virtual Adversarial Training for Anatomically-Plausible Segmentation提出问题：半监督分割虽然取得了不错的效果，但是却因为一些问题，例如不连接的区域，分割的空洞等等使其很难利用于临床。如何解决：我们提出了CaVAT网络方法，可以产生可接受的分割结果。并且不像别的方法主要集中于准确性，我们建模也考虑了拓扑的连通性，我们提出了新的损失函数加入了联通的度量，并且借助了对比训练和强化算法提高分割的效果。是否sota：否 30. Iteracitve Segmentation via Deep Learning and B-Spline Explicit Active Surfaces （交互分割，随后更新） 31. Multi-compound Transformer for Accurate Biomediacal Image Segmentation提出问题：之前的transformer的模块虽然学习了non-local的注意力特征。但是之前的工作失去了跨区域不同像素的依赖，以及不同标签的语义和不同特征代表的一致性等。（Transformer）如何解决：本文提出了一种unified transformer network为MCTrans，能够结合丰富的特征学习和语义结构。并且，MCTrans能够编码多尺度的卷积特征作为输入，同时获得内部和外部尺寸的自注意力能力。除此之外，一种可学习的proxy编码也加入到模型语义联系和特征增强方面。MCTrans模块即插即用，效果不错。是否sota：是，有代码 32. Kcbac-Net:Deeply Supervised Complete Bipartite Networks with Asymmetric Convolutions for Medical Image Segmentation.提出问题：对缺失或者具有模糊边缘的物体来说，准确的医学分割一直是一个难题。如何解决：在本文我们提出了一种deeply supervised k-complete-biparitite network with asymetric convolutions网络去利用多尺度的特征提升标准卷积的分割质量。（1）首先利用biparitet network利用多尺度信息（2）使用k个完整的bipartite network模块在不同尺度上处理。（3）使用asymmetric conv替换标准卷积（4）使用辅助监督机制增强特征的区分能力是否sota：是 33. Multi-frame Attention Network for Left Ventricle Segmentation in 3D Echocardiography提出问题：心脏超声波检查时检查心脏疾病的重要手段，但是临床的分割一直存在着效果差的问题。如何解决：我们提出了多帧注意力机制提升分割效果。能够使得时空信息更好的融合提升分割效果。（注意力）是否sota：否 34. Coarse-To-Fine Segmentation of Organs at Risk in Nasopharyngeal Carcinoma Radiotherapy（两阶段分割）提出问题：大多数的深度学习方法面临着正负样本不均衡，以及对小尺寸分割的效果不佳。如何解决：提出了新的端到端的两阶段分割方法。第一阶段首先粗粒度分割并且使用目标检测模块TDM，第二阶段使用两阶段策略分割使用。TDM可以对大尺寸OAR更多的考虑边缘模糊问题，并且使用EAM模块提升分割效果，除此之外PCM被设计出来专门提升小尺寸的OAR分割效果。是否sota：是，有代码 35. Joint Segmentation and Quantification of Main Coronary Vessels Using Dual-Branch Multi-scale Attention Network（注意力）提出问题：冠状动脉或者静脉关节的分割十分关键，能够帮助诊断以及支架的搭建。然而，框架中的联合分割和量化仍然具有挑战性。如何解决：提出了一种dual-branch multi-scale注意力网络DMAN能够实现协同优化。DMAN包括一个内嵌的残差模块以及一个注意力回归模块。 36. A Spatial Guided Self-supervised Clustering Network for Medical Image Segmentation (自监督) 37. Comprehensive Importance-Based Selective Regularization for Continual Segmentation Across Multiple Sites提出问题：收集数据有时候会收到隐私以及存储的限制，并且现存的方法在新问题上存在泛化问题不好的问题。如何解决：提出了一种新型的基于重要性选择的归一化方法，能够防止忘记在老问题的上的语义知识。当模型训练到一个新的site的时候，自适应的选择性归一化方法能够惩罚高理解性参数，防止之前的语义信息发生遗失和忘记。是否sota：否 38. ReSGAN: Intracranial Hermorrhage Segmentation with Residuals of Synthetic Brain CT Scans提出问题：出血性急性中风容易发生生命危险，但是现在缺少能够准确分割脑部出血中风的方法。如何解决：提出了Residual Segmentation 并且使用ReSGAN方法准确定位CT中的病灶区域，生成模型学习CT脑部图片的分布，并且通过残差连接，能够描述出血区域。同时缓解数据量少和类别不平衡方法。（GAN）是否sota：否 39. Refined Local-imbalance-based Weight for Airway Segmentation in CT.提出问题：器官分割在使用CNN Based的方法的时候有可能出现细小的分支无法识别的问题。如何解决：提出了一种local-imbalance-based 权重方法调整权重。并且文章发现如果某些底层特征在第一个epoch没有学习，那么梯度会被最后的激活层填充，以此提出了BP-based的权重提升策略重启训练策略。BP-based Weight Enhancement：提出了WinsNet，在Epochs之后检查梯度注意力。是否sota：否，有代码，文章的贡献主要是在网络能够同时对小的和大气管都能分割。 40. Selective Learning from External Data for CT Image Segmentation提出问题：大量的数据确实能够提升效果，但在医学领域，大量的数据有时候很难获取。如何解决：本文提出了一种generic selecting learning 方法最大化利用ct的数据：将有效的数据分配更大的权重，因此鼓励网络学习有效的信息，特别的，我们将我们的问题限制为一个np难问题，并且通过迭代解决我们的权重和网络更新优化。selective learning：是否sota：否，有代码，这个论文的意义在于如何运用额外的数据训练，并且这种方法即插即用，并且任何方法使用之后都能够提升。 41. Projective Skip-Connection for Segmentation Along A Subset of Dimensions in Retinal OCT提出问题：一般来说来说我们输入的是一个图像的子区域，然后输出一个掩码。很少有能够将只输入oct图像的一部分，然后能够还原一个较为全局的图像。如何解决：提出了一种新的卷积网络能过产生低维的掩码，并且能够只通过部分区域的编码还原整个空间。使用了类似U形的结构进行跳跃连接。是否sota：是 42. MouseGAN: GAN-Based Multiple MRI Modalities Synthesis and Segmentation for Mouse Brain Structures提出问题：众所周知，我们知道小鼠大脑在非临床实验中扮演着重要的角色，很多预实验都是在小鼠上进行的，但是由于人脑和小鼠大脑的结构差异，一些用在人脑的方法不能很好的适配小鼠的大脑。如何解决：提出了MouseGAN，仅仅通过单张的MRI模态的图像能够产生多模态的MRI图像。MouseGAN包含了一个单模态的翻译模块，能够投射多模态图像到共享隐藏空间。并且其使用了可学习的模态无关信息提升结构分割效果。（小鼠+首个atlas-free+GAN）是否sota：否，有代码， 43. Style Curriculum Learning for Robust Medical Image Segmentation.（Curriculum学习有关，以及风格迁移，随后更新） 44. Towards Efficient Human-Machine Collaboration: Real-Time Correction Effort Prediction for Ultrasound Data Acquisition.（有关如何帮助超声医师更好的获取数据的文章，和优化数据集相关，随后更新） 45. Residual Feedback Network for Breast Lesion Segmentation in Ultrasound Image提出问题：乳房病理区域的分割一直欠佳，尤其是在边缘模糊和具有二义性的一些区域上。（skip connection方面）如何解决：提出一种新的残差反馈网络，能够提升不确定像素的在分割当中的性能。在这个网络当中，一种残差模块负责学习缺失的边缘细节，能够提高难以预测像素的准确度。除此之外，一个残差反馈机制能够设计并且更新encoder模块的特征。是否sota：是，有代码 46. Learning to Address Intra-segmentation Misclassification in Retinal Imaging提出问题：准确的多类别分割一直是难题，尤其是在一些血管相互交错复杂的情况下。如何解决：提出了一种新的能分解多类别的分割网络方案，能够结合多分类的融合结果。并且借助不同区域的对比学习达到一个较好的效果。（GAN，U型结构）是否sota: F1-score是sota，有代码。 47. Flip Learning: Erase to Segment（强化学习+弱监督，随后更新） 48. DC-Net：Dual Context Network for 2D Medical Image Segmentation提出问题：Unet为代表的一系列CNN网络缺乏长距离的依赖。如何解决：我们提出了一种新的融合多尺寸特征的网络——Global Context Transformer Encoder，能够获取长距离以来，并且为了融合不同尺度的信息，我们提出了ACFM模块，最后护额个提出的DC-Net聚集全局特征得到较好的分割效果。（多尺度，transformer）是否sota：是。 49. LIFE: A Generalizable Autodidactic Pipeline for 3D OCT-A Vessel Segmentation (自监督相关，随后更新) 50. Superpixel-Guided Iterative Learning from Noisy Labels for Medical Image Segmentation提出问题：从噪声标签当中学习一种是一个重要的任务，但是由于数据的缺乏，很多方法都忽略了像素之间的相关性和结构的先验知识，这里面就包括了我们需要分割物体的边缘。如何解决：我们提出了一种新的超像素算法，并且通过一种鲁棒性迭代算法结合噪声知识进行标签的分割。依照这种方法能够利用结构限制和分割标签中噪声背后的信息。是否sota：是，有代码 51. A Hybrid Attention Ensemble Framework for Zonal Prostate Segmentation提出问题：准确前列腺的自动分割一直以来是一个难题。（注意力机制）如何解决：通过分析前列腺图像，提出了一种hybrid注意力集中模块HAEF进行自动的分割中心区域以及外围区域。除此之外，在HAEF的ABM模块作为桥接的注意力模块，能够在Unet的基础上更好的提高分割效果。并且为了解决外围区域到中心区域的分割准确率交叉，逐渐提高体素的比例，然后引入自注意力机制在通道和空间两个部分，并且在最后引入了更多的后处理机制例如ensemble和分类去提高分割的精度。是否sota：是 52. 3D-Ucaps：3D Capsules Unet for Volumetirc Image Segmentation（有关胶囊网络的文章，随后更新） 53. HRENet：A Hard Region Enhancement Network for Polyp Segmentation（Encoder-decoder结构网络）提出问题：自动的息肉分割一直是已经有了一些解决方案，但是在大肠镜下的图像分割依旧效果略差。如何解决：本文提出了一种边缘提升网络HRENet。基于编解码结构，并且设计了一种丰富的语义增强模块将融合底层星系并且挖掘注意力信息。我们也发展出了一种适应特征集合模块AFA选择并且聚集不同层次的语义信息。并且我们训练了一种ESCLoss能够提高边缘和内容的一致性。是否sota：是，有代码。 54. A Novel Convolutional Neural Network for Accurate Organ Segmentation in 3D Head and Neck CT Image.提出问题：两个问题，第一个问题CT图片在深度上要比在平面上的分辨率小很多，直接利用3D分辨率并且不加以区分会导致图片特征的扭曲。第二个问题，因为类别不平衡所以大小有机体的分割难以获得很好的效果。如何解决：提出了新的Hybrid CNN模块融合2D和3D卷积利用不同的空间分辨率，以及提取有效的边缘和语义信息，为了适应不大小不同的机体，最后提出了Organ2.5D网络。是否sota：是 55. TumorCP：A Simple but Effective Object-Level Data Augmentation for Tumor Segmentation (有关数据增强的方法，随后更新) 56. Modality-Aware Mutual Learning for Multi-modal Mediacal Image Segmentation （多模态 + 知识蒸馏）提出问题：如何利用多模态数据解决肝癌的分割。如何解决：我们提出了新的共同学习的方法，不同模型共同学习不同模态，然后作为教师网络蒸馏其特征基于不同等级高层次特征给不同的模态。除此之外（ML（共同学习）方法），提出了一种modality-aware模块，这种MAML模块能够实现更好的肝脏分割。是否sota：否 57. Hybrid Graph Convolutional Neural Networks for Landmark-Based Anatomical Segmentation（有关图卷积神经网路，没有详细看） 58. RibSeg Dataset and Strong Point Cloud Baseline for Rib Segmentation from CT Scans提出问题：手动标注脊椎数据是非耗时耗力，自动脊柱分割方法能够提高脊柱分割的测量和可视化。之前的一些数据集主要集中于内部的数据分割。如何解决：提出了新的rib分割的数据集，包括490个CT的scans，并且使用了morphology-based算法以及手动标注其结果。并且考虑到rib部位的3D稀疏性，重采样了相关体素数据并且设计点云相关的baseline。是否sota：是，有代码 59. Hirerachical Self-supervised Learning for Medical Image Segmentation Based on Multi-domain Data Aggregation （自监督相关，随后更新） 60. CCBANet: Cascading Context and Balancing Attention for Polyp Segmentation提出问题：息肉的检测（主要通过肠镜）能够有效的帮助诊断，但是很多编解码结构只是通过最后一个部分融合全局的信息，这样会导致区域信息只来自于之前的特征层，除此之外，如何定义息肉的边界也是一个挑战。如何解决：提出了两个创新的模块，一个是CCM一个是BAM，CCM模块用于Cascading连接上下文的模块，并且使用BAM去建立息肉分割的有效结合。特别的，CCM结合了提取特征区域于当前层和浅层的能力。是否sota：否，有代码 61. Point-Unet：A Context-Aware Point-Based Neural Network for Volumetric Segmentation（点云分割，随后更新） 62. TUN-Det：A Novel Network for Thyroid Ultrasound Nodule Detection (超声图像的结节检测，随后更新) 63. Distilling Effective Supervsion for Robust Medical Image Segmentation （知识蒸馏）提出问题：医学图像的数据更加难以获取，并且存在很多低质量存在标签噪音的图像。（现在主要存在两个方向解决，一个是从pixel层面降低早上，一个使用图片层面降低噪声）如何解决：从像素层面和图像层面同时蒸馏有效的监督数据。并且设计除了图像层面鲁棒性的学习方法去适应更多的信息互补像素级别的学习。能够基于噪声背后的有效数据进行3D分割。（新的框架PINT）是否sota：是 64. On the Relationshape Between Calibrated Predictors and Unbiased Volume Estimation（有关Clibrated Prediction方面的文章，随后更新） 65. High-Resolution Segmentation of Lumbar Vertebrae from Conventional Thick Slice MRI提出问题：腰椎采集图片的时候有一个挑战就是我们的图像大多通过节省采集时间减少病人的痛苦（厚切片），以及减少运动的伪影。如何解决：调查了detailed 3d分割椎骨，并且设计了resconstruction network用于从粗切片当中恢复细粒度尺寸。最后VAE模块用于从低质量的分割转换到高质量图片。是否sota：否 66. Shallow Attention Network for Polyp Segmentation（注意力，肠镜）提出问题：息肉分割的问题：样本采样之间分布的巨大差异，由于重复的下采样导致大量细节被丢失，前后背景像素不一致。如何解决：提出了SANet模块进行分割，并且能够消除颜色的影响，重新设计了颜色改变操作对图片进行目标和特征的注意力集中。除此之外，还提出了shollow attention模块过滤背景噪音。由于高分辨率的的shallow特征，小的息肉能够跟好的被捕捉，除此之外，为了缓和像素之间的类别不平衡，我们提出了PCS方法在推理阶段。虽然不涉及训练，但是依旧能够提高性能。是否sota：是 67. A Line to Align：Deep Dynamic Time Warping for Retinal OCT Segmentation提出问题：为了扫描或者监控角膜疾病，OCT是一种有效的手段。如何解决：提出了一种交错的语义2D分割，并且作为连续的校准任务。首先将图片分割成为OCT的scanning lines。然后使用自动校准的手段调整这些像素的位置，最后动态的组装。是否sota：否 68. Learnable Oriented-Derivative Network for Polyp Segmentation提出问题：肠胃息肉里面的分割是在大小颜色和材质上的光线缺乏一直是一个问题（光线差）。如何解决：提出了Learnable Oriented-Derivative Network去优化边缘预测的准确性。计算了息肉的8个方向，并且选择这些像素去创建一个候选的息肉区域。最后细化区域的边缘，是否sota：是，有代码 69. LambdaUnet: 2.5D Stroke Lesion Segmentation of Diffusion-Weighted MR images提出问题：DW图片是超声的一种诊断方式，并且DW图片需要多尺度的设置，因为病理区域可能在连续2D切片当中并不是连续的（存在gap）。因此，尽管DWI69拥有丰富的3D的信息，但是并不能被视为普通的3D或者2D图像。某种程度上其为2.5D的图像。所以现存的分割方法并不适用。如何解决：提出了能够连接这种2.5D信息的网络框架，称之为LambdaUnet，将卷积层置换成为Lambda层次，这个层能够从内部语义信息捕捉上下文并且将其转换成为线性函数。在特别的临床实验上证明其是有效的。一共分为四个部分的lambda：是否sota：是，有代码。 MICCAI-2021文章思维分类图，方向+解决问题的方案：浅绿色：如何提升的更好粉色：集中于解决噪声问题橙色：解决少样本问题按照不同的方法和分类归纳：感觉transformer是热门，能通过半监督等方式解决医学数据集数据少，标注难的问题也能很容易中。