成像检查（例如胸部X射线照相）将产生一小部分常见发现和一组少数罕见的发现。虽然训练有素的放射科医生可以通过研究一些代表性的例子来学习罕见条件的视觉呈现，但是教机器从这种“长尾”分布中学习的情况更加困难，因为标准方法很容易偏向最常见的类别。在本文中，我们介绍了胸部X射线胸腔疾病特定领域的长尾学习问题的全面基准研究。我们专注于从自然分布的胸部X射线数据中学习，不仅优化了分类精度，不仅是常见的“头”类，而且还优化了罕见但至关重要的“尾巴”类。为此，我们引入了一个具有挑战性的新长尾X射线基准，以促进开发长尾学习方法进行医学图像分类。该基准由两个用于19-和20向胸部疾病分类的胸部X射线数据集组成，其中包含多达53,000的类别，只有7个标记的训练图像。我们在这种新的基准上评估了标准和最先进的长尾学习方法，分析这些方法的哪些方面对长尾医学图像分类最有益，并总结了对未来算法设计的见解。数据集，训练有素的模型和代码可在https://github.com/vita-group/longtailcxr上找到。

由于缺乏明显的特征，严重的阶级失衡以及大小本身，找到小病变非常具有挑战性。改善小病变细分的一种方法是减少感兴趣的区域，并以更高的灵敏度进行检查，而不是为整个区域执行它。通常将其作为器官和病变的顺序或关节分割实现，这需要对器官分割进行额外的监督。取而代之的是，我们建议以无其他标记成本的强度分布来有效地分开病变位于背景的区域。它被整合到网络培训中，作为一项辅助任务。我们将提出的方法应用于CT扫描中小肠癌小肿瘤的分割。我们观察到所有指标的改进（33.5％$ \ rightarrow $ 38.2％，41.3％$ \ rightarrow $ 47.8％，30.0％$ \ rightarrow $ \ rightarrow $ 35.9％的全球，每个案例和每个肿瘤骰子得分相比）。对于基线方法，这证明了我们想法的有效性。我们的方法可以是将目标的强度分布信息显式合并到网络培训中的一种选择。

我们提出了一种基于圆柱约束的小肠路径跟踪的新的基于图的方法。与其他器官相比，小肠的独特特征是自身沿其路线之间的接触，这使得路径跟踪与墙壁的模糊外观一起困难。它会导致轨道路径在依靠墙壁检测（例如墙壁检测）之类的低级特征时轻松越过墙壁。为了解决这个问题，使用小肠过程中安装的一系列气缸用于指导跟踪到更可靠的方向。它使用新的成本函数作为软约束实现。对所提出的方法进行了针对小肠从小到末端进行10次腹部CT扫描的基础真相路径的评估。与基线方法相比，所提出的方法在跟踪路径而没有犯错的情况下显示出明显的改进。对于与小肠分割有关的两种不同的设置，观察到了6.6％和17.0％的改善。

考虑到它的许多折叠并沿线接触，小肠路径跟踪是一个具有挑战性的问题。出于同样的原因，要在3D中实现小肠的地面（GT）路径非常昂贵。在这项工作中，我们建议使用具有不同类型注释的数据集训练深入的增强学习跟踪器。具体而言，我们利用只有GT小肠分割的CT扫描以及具有GT路径的CT扫描。它可以通过设计兼容两者兼容的独特环境来启用，即使没有GT路径，也可以定义奖励。进行的实验证明了该方法的有效性。所提出的方法通过能够使用弱注释来利用扫描，从而可以通过降低所需的注释成本，从而在此问题中具有高度的可用性。

自动生物医学图像分析的领域至关重要地取决于算法验证的可靠和有意义的性能指标。但是，当前的度量使用通常是不明智的，并且不能反映基本的域名。在这里，我们提出了一个全面的框架，该框架指导研究人员以问题意识的方式选择绩效指标。具体而言，我们专注于生物医学图像分析问题，这些问题可以解释为图像，对象或像素级别的分类任务。该框架首先编译域兴趣 - 目标结构 - ，数据集和算法与输出问题相关的属性的属性与问题指纹相关，同时还将其映射到适当的问题类别，即图像级分类，语义分段，实例，实例细分或对象检测。然后，它指导用户选择和应用一组适当的验证指标的过程，同时使他们意识到与个人选择相关的潜在陷阱。在本文中，我们描述了指标重新加载推荐框架的当前状态，目的是从图像分析社区获得建设性的反馈。当前版本是在由60多个图像分析专家的国际联盟中开发的，将在社区驱动的优化之后公开作为用户友好的工具包提供。

在临床实践中，在区分从非转移的中转移时，放射科学家在依赖于病变尺寸。病变尺寸的先决条件是它们的检测，因为它促进了对肿瘤的下游评估。然而，病变在CT扫描中的大小和外观变化，并且放射科医师通常会错过小型病变繁忙的临床日。为了克服这些挑战，我们提出了使用最先进的检测神经网络，以向NIH Deepleion数据集中存在的可疑病变进行尺寸。此外，我们合并了界定盒融合技术，以最大限度地减少假阳性（FP）并提高检测精度。最后，ToreSemble临床用途，我们构建了一个最佳检测模型的集合，以定位损伤，以精确度为65.17％，灵敏度为91.67％，每张图片4 fp。我们的结果改善了当前最先进方法的性能，以便在挑战CT扫描中进行病变检测。

T2磁共振成像（MRI）中淋巴结（LN）的鉴定是放射科在评估淋巴抑制性疾病期间的重要步骤。节点的大小在其分期中发挥着至关重要的作用，并且放射科有时有时使用额外的对比度序列，例如扩散加权成像（DWI）进行确认。然而，淋巴结在T2 MRI扫描中具有多样化的外观，使得转移的阶段难以实现。此外，放射科医师通常会在繁忙的一天中错过较小的转移性淋巴结。要处理这些问题，我们建议使用检测变压器（DETR）网络本地化可疑转移性淋巴结，用于挑战不同扫描仪和考试协议获得的T2 MRI扫描。通过边界盒融合技术降低了误报（FP），并且达到了每张图像4 FP的65.41 \％的精确度和91.66 \％。据我们所知，我们的结果改善了T2 MRI扫描中的目前的淋巴结检测最先进的淋巴结检测。

尽管自动图像分析的重要性不断增加，但最近的元研究揭示了有关算法验证的主要缺陷。性能指标对于使用的自动算法的有意义，客观和透明的性能评估和验证尤其是关键，但是在使用特定的指标进行给定的图像分析任务时，对实际陷阱的关注相对较少。这些通常与（1）无视固有的度量属性，例如在存在类不平衡或小目标结构的情况下的行为，（2）无视固有的数据集属性，例如测试的非独立性案例和（3）无视指标应反映的实际生物医学领域的兴趣。该动态文档的目的是说明图像分析领域通常应用的性能指标的重要局限性。在这种情况下，它重点介绍了可以用作图像级分类，语义分割，实例分割或对象检测任务的生物医学图像分析问题。当前版本是基于由全球60多家机构的国际图像分析专家进行的关于指标的Delphi流程。

Data-driven Machine Learning has emerged as a promising approach for building accurate and robust statistical models from medical data, which is collected in huge volumes by modern healthcare systems. Existing medical data is not fully exploited by ML primarily because it sits in data silos and privacy concerns restrict access to this data. However, without access to sufficient data, ML will be prevented from reaching its full potential and, ultimately, from making the transition from research to clinical practice. This paper considers key factors contributing to this issue, explores how Federated Learning (FL) may provide a solution for the future of digital health and highlights the challenges and considerations that need to * Disclaimer: The opinions expressed herein are those of the authors and do not necessarily represent those of the institutions they are affiliated with, e.g. the U.S. Department of Health and Human Services or the National Institutes of Health. This is a pre-print version of https://www.nature.com/articles/s41746-020-00323-1 be addressed.

The chest X-ray is one of the most commonly accessible radiological examinations for screening and diagnosis of many lung diseases. A tremendous number of X-ray imaging studies accompanied by radiological reports are accumulated and stored in many modern hospitals' Picture Archiving and Communication Systems (PACS). On the other side, it is still an open question how this type of hospital-size knowledge database containing invaluable imaging informatics (i.e., loosely labeled) can be used to facilitate the data-hungry deep learning paradigms in building truly large-scale high precision computer-aided diagnosis (CAD) systems.In this paper, we present a new chest X-ray database, namely "ChestX-ray8", which comprises 108,948 frontalview X-ray images of 32,717 unique patients with the textmined eight disease image labels (where each image can have multi-labels), from the associated radiological reports using natural language processing. Importantly, we demonstrate that these commonly occurring thoracic diseases can be detected and even spatially-located via a unified weaklysupervised multi-label image classification and disease localization framework, which is validated using our proposed dataset. Although the initial quantitative results are promising as reported, deep convolutional neural network based "reading chest X-rays" (i.e., recognizing and locating the common disease patterns trained with only image-level labels) remains a strenuous task for fully-automated high precision CAD systems.