https://arxiv.org/abs/1703.08770
本文主要是一篇关于对双肺和心脏进行语义分割的论文，作者认为器官语义分割是针对胸片（CXR）构建计算机辅助诊断系统的重要一步，器官的区域提供了丰富的结构信息，可用于诊断许多病症。而目前胸片又因辐射小、花费低，而十分普遍，给放射科工作者带来了巨大的工作量。所以本文的研究具有现实意义。同时该研究也存在着巨大的挑战，CXR为2d灰度图片，且目前公开数据集数据量很少（多只有几百张），无法直接应用在大规模数据集上训练好的网络模型。作者据此提出了SCAN框架，该模型采用了GAN（生成对抗网络）的思想，包含了一个分割网络(segmentation network)和一个判别网络(critic network)，采用零和博弈的思想，在公开数据集JSRT和Montgomery上进行单独交替训练。这两个网络都是一个复杂的神经网络，包含FCN、和VGG-based（VGG基础上进行修改）、残差块(residual block)。这是一个数据依赖性小（不依赖大规模数据）、参数量小的模型，取得了一个高准确率（人类专家水平）、高效率（<1s）、迁移性强（泛化能力强）的结果，超过该研究领域的state-of-the-art Registration-based approach。
-
https://arxiv.org/abs/1705.02315
本文主要是一篇关于胸部X光片的诊断和病理位置定位的论文，作者分析了当前医学图像在深度学习领域的应用仍然存在着数据的稀缺性，以及对标记数据的依赖性。作者旨在构建大规模高准确率的计算机辅助诊断系统，希望引起学术界能对构建大规模医学图像数据库的兴趣。作者通过自然语言处理(NLP)方法从医院PACS系统中，提取报告内容，获取标签，构建了一套医院规模的胸片数据库，主要包含了8种胸部疾病和正常样例，由十万张胸片构成（相比于其他成果，这个数据集已经算比较大的了）。作者又在这个数据集的基础上，通过设计了一套统一DCNN的训练框架，适用于不同的pre-trained model，完成病理识别，证明了能通过弱监督学习完成病理位置的空间定位，减少了对专业的病理位置标记图像的依赖性。是该研究方向的一个benchmark。
