6月12日，医学图像人工智能领域顶级会议MICCAI (International Conference on Medical Image Computing and Computer-Assisted Intervention)论文录用情况出炉。本实验室今年在医学图像的半监督学习、弱监督学习和域泛化等方向上投稿了三篇论文，三篇文章被全部被接收，这也是本实验室首次有研究生的一作论文被MICCAI接收。

据悉，MICCAI 2021共有1631篇有效投稿论文，其中只有533篇论文被最终接收，接收率为32.7%，而本实验室达到了100%的接收率。该会议有两轮审稿过程，第一轮审稿筛选出前13%的论文作为早期接收论文，本实验室有罗祥德、雷文辉等同学的两篇论文入选早期接收论文。未通过早期接收的论文则被直接拒绝或者邀请rebuttal，rebuttal的论文经过第二轮审稿后再决定是否接收。顾然同学的论文被邀请rebuttal，在第二轮审稿中顺利被接收。

三篇论文的简介如下：

1. Efficient Semi-Supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency

第一作者： 罗祥德（2020级博士）

预印版论文链接: https://arxiv.org/pdf/2012.07042.pdf  

代码链接：https://github.com/HiLab-git/SSL4MIS

摘要：原发灶和淋巴结勾画在鼻咽癌放疗计划中起着不可替代的作用，传统手工勾画费时费力，基于深度学习的靶区勾画效果优越但依赖大量标注数据。本文提出了一种基于多尺度一致性的半监督的医学图像分割方法，可以同时利用少量标注数据和大量未标注数据来训练一个高性能模型，缓解深度学习模型对标注数据的依赖。通过鼓励网络不同分辨率输出预测直接保持一致来从未标注数据上学习，并进一步利用不确定性修正模块来保证网络训练的稳定性，进而获得更好的性能。该方法在一个大规模鼻咽癌靶区勾画数据集上进行了验证，性能优于五种现有方法。

2. Contrastive Learning of Relative Position Regression for One-Shot Object Localization in 3D Medical Images

第一作者：雷文辉 （2018级硕士）

预印版论文链接: https://arxiv.org/pdf/2012.07043.pdf  

代码链接：https://github.com/LWHYC/RPR-Loc         摘要：深度学习在医学图像定位中取得了优异的性能，但其同时也需要大量的标注样本。为解决该问题，本文提出了：1）一种新颖的对比学习方法，通过预测同一扫描中任意两块间的相对距离，将图像块投影至解剖三维空间；2）一种用于扫描图像中关键点与器官的定位框架，其仅需一例目标标注数据。 本文主要思路来源于不同人体间器官与组织间分布与相对位置大致相同。因此可通过预测不同扫描间图像块的相对距离，以此定位目标器官。在头部与腹部数据中的实验证实了本方法可以显著减少对标注图像的依赖，并且实现了实时的高精度目标检测。

3. Domain Composition and Attention for Unseen-Domain Generalizable Medical Image Segmentation

第一作者：顾然（2019级博士）

摘要：本文提出了一种基于注意力的领域特征组合网络(DCA-Net) 提高领域表达和模型泛化的能力。该方法将来自多个中心或者多家医院具有领域差异的数据通过网络自表达的方法，学习到每个领域数据的基本信息，形成领域信息基础库，然后通过引入注意力机制来学习表达某一给定领域的特征的能力，整个过程都是通过网络自适应学习得到的，以此来提高网络对多个中心数据甚至未见过中心数据的泛化能力。该方法在多中心前列腺数据中表现出优于现有方法的自动分割能力。