MIDL会议介绍以及历年会议和论文概况
作者:互联网
MIDL会议介绍
MIDL(The International Conference on Medical Imaging with Deep Learning)是一个非常年轻的医学图像方向的会议,目前已经普遍被领域内专业认可。MIDL会议旨在为深度学习研究人员,临床医生和医疗保健公司提供一个论坛,使基于深度学习的自动图像分析在疾病筛查,诊断,预后,治疗选择和治疗监测中的应用取得飞跃。这次会议的范围很广,包括计算机辅助筛查和诊断,检测,分割,(多模式)配准,图像重建和合成等主题。此外,我们讨论了一些问题,例如需要大型的经过整理和注释的数据集,嘈杂的参考标准以及医学数据的高维性。软件演示,医学数据集展示和创新的临床应用也作为深度学习算法在临床实践中集成的重点。
年份 | 举办地 | 会议日期 | 其他日期 |
---|---|---|---|
2018 | Amsterdam(荷兰-阿姆斯特丹) | 7月4日至6日 | https://2018.midl.io/dates.html |
2019 | London(英国-伦敦) | 7月8日至10日 | https://2019.midl.io/dates.html |
2020 | Montreal(线上) | 7月6日至9日 | https://2020.midl.io/dates.html |
2021 | Lubeck(德国吕贝克) | 7月7日至9日 | https://2021.midl.io/dates.html |
MIDL在创立最初是由荷兰的阿姆斯特丹大学和英国伦敦的帝国学院组成基金会的委员会,目前逐步在邀请其他成员加入。从2018年开始举行第一届,到今年2021年已经是第四届了。
MIDL当前提供为期三天的计划,其中包括受邀演讲者的主题演讲,口头演讲,海报以及来自学术界和行业的深度学习算法的现场演示。
会议接受长文和短文,投稿的截止时间不同,论文是open review的,可以看到审稿人公开的意见和作者的回复,会议论文的质量普遍很不错。其接受的论文主题主要如下:
- 医学图像的语义分割
- 基于学习的图像配准
- 计算机辅助检测与诊断
- 图像采集,重建和合成
- 转移学习和领域适应
- 带有嘈杂标签和有限数据的学习
- 无监督的深度学习和表示学习
- 医疗诊断的不确定度估算
- 可解释性和可解释的深度学习
- 影像和临床数据的整合
- 在放射学,病理学,内窥镜,皮肤病学,眼科等领域的验证研究和深度学习应用
MIDL也会组织挑战赛,2020年组织了3个挑战赛其中两项是分类重构,一项是检测定位,但是2021年没有组织。
简写 | 名称 | task | data |
---|---|---|---|
object-CXR | Automatic detection of foreign objects on chest X-rays自动检测胸部X射线上的异物 | 基于算法的异物检测系统可以自动促进重新成膜,从而显着降低成本,并节省放射科医生进行更多诊断的时间。 | 胸部X射线数据集:异物的5000个额胸X射线图像(全部手动注释)以及没有异物的5000个额胸X射线图像。 |
MC-MRRec | Multi-channel MR Image Reconstruction Challenge 多通道MR图像重建挑战 | Task1:在大数据上比较不同的基于DL的MR重建模型 Task2:评估重建模型对通过不同数量通道获取的各种数据集的通用性 | 大型数据集(> 200 GB) |
SARAS-ESAD | SARAS endoscopic vision challenge for surgeon action detectionSARAS内窥镜视觉挑战用于外科医生动作检 | 这项挑战已记录了由专业医生对真正的前列腺癌患者进行的四次完整的前列腺切除术过程。后来,专业的AI和医学界对这些完整的手术程序进行了注释。在此过程中的任何时候都可能存在多个动作实例。因此,每个帧都被标记为多个动作,并且这些动作可以具有重叠的边界框。 | 外科领域动作检测的第一个基准数据集 |
解读外科医生内窥镜动作检测赛.
会议官网:https://www.midl.io/
2021年会议情况
2020年会议论文情况
短文论文地址:https://arxiv.org/html/2007.02319
长文论文地址:http://proceedings.mlr.press/v121/
最佳论文奖
O028-通过对抗性攻击和强大的训练来解决MRI重建网络的假阴性问题
郑凯扬,弗朗切斯科·卡利瓦(FrancescoCalivá),卢维克·沙(Rutwik Shah),韩美松(Misung Han),沙姆拉(Sharmila Majumdar),瓦伦蒂娜(Valentina Pedoia)
最佳论文奖亚军
MAC-ReconNet:使用动态权重预测的基于多采集上下文的卷积神经网络用于MR图像重建
Sriprabha Ramanarayanan,Balamurali Murugesan,Keerthi Ram,Mohanasankar Sivaprakasam
通过监督多任务学习扩展无监督神经图像压缩
David Tellez,Diederik Hoppener,Cornelis Verhoef,Dirk Grunhagen,Pieter Nierop,Michal Drozdzal,Jeroen van der Laak,Francesco Ciompi
用于医学图像分类的Tensor网络
Raghavendra Selvan,Erik B Dam
2019年会议论文情况
Best Paper Award
Exploring Local Rotation Invariance in 3D CNNs With Steerable Filters使用可控滤镜探索3D CNN的局部旋转不变性
Vincent Andrearczyk, Julien Fageot, Valentin Oreiller, Xavier Montet, Adrien Depeursinge
Best Paper Runner-Up
Adversarial Pseudo Healthy Synthesis Needs Pathology Factorization对抗性假性健康合成需要病理分解
Tian Xia, Agisilaos Chartsias, Sotirios A. Tsaftaris
Boundary Loss for Highly Unbalanced Segmentation高度不平衡分割的边界损失
Hoel Kervadec, Jihene Bouchtiba, Christian Desrosiers, Eric Granger, Jose Dolz, Ismail Ben Ayed
Best Poster Award
Stain-Transforming Cycle-Consistent Generative Adversarial Networks for Improved Segmentation of Renal Histopathology用于改善肾脏组织病理学分割的
Thomas de Bel, Meyke Hermsen, Jesper Kers, Jeroen van der Laak, Geert Litjens
Best Poster Runner-Up
Weakly Supervised Deep Nuclei Segmentation Using Points Annotation in Histopathology Images在组织病理学图像中使用点注释进行弱监督的深核分割,
Hui Qu, Pengxiang Wu, Qiaoying Huang, Jingru Yi, Gregory M. Riedlinger, Subhajyoti De, Dimitris N. Metaxas
2018年会议论文情况
Best Paper
OBELISK – One Kernel to Solve Nearly Everything: Unified 3D Binary Convolutions for Image Analysis.OBELISK –一个几乎可以解决所有问题的内核:用于图像分析的统一3D二元卷积
Mattias P. Heinrich,Ozan Oktay,Nassim Bouteldja
Best Poster Awards
Contextual Hourglass Networks for Segmentation and Density Estimation上下文沙漏网络用于分割和密度估计
DanielOñoro-Rubio和Mathias Niepert
Philips Impact Awards
飞利浦两项飞利浦影响力奖各授予1000欧元,用于描述实际应用的两项贡献,并有望为社会和患者带来重大利益。
NeuroNet:Fast and Robust Reproduction of Multiple Brain Image Segmentation Pipelines. NeuroNet:多脑图像分割管道的快速且鲁棒性再现
Martin Rajchl, Nick Pawlowski, Daniel Rueckert, Paul M. Matthews and Ben Glocker
Roto-Translation Covariant Convolutional Networks for Medical Image Analysis.Roto-翻译协变卷积网络进行了医学图像分析
Erik J. Bekkers,Maxime W. Lafarge,Mitko Veta,Koen AJ Eppenhof,Josien PW Pluim,Remco Duits
标签:MIDL,历年,论文,会议,学习,https,图像,Best 来源: https://blog.csdn.net/sukeee/article/details/115792583