Generalization is an important attribute of machine learning models, particularly for those that are to be deployed in a medical context, where unreliable predictions can have real world consequences. While the failure of models to generalize across datasets is typically attributed to a mismatch in the data distributions, performance gaps are often a consequence of biases in the 'ground-truth' label annotations. This is particularly important in the context of medical image segmentation of pathological structures (e.g. lesions), where the annotation process is much more subjective, and affected by a number underlying factors, including the annotation protocol, rater education/experience, and clinical aims, among others. In this paper, we show that modeling annotation biases, rather than ignoring them, poses a promising way of accounting for differences in annotation style across datasets. To this end, we propose a generalized conditioning framework to (1) learn and account for different annotation styles across multiple datasets using a single model, (2) identify similar annotation styles across different datasets in order to permit their effective aggregation, and (3) fine-tune a fully trained model to a new annotation style with just a few samples. Next, we present an image-conditioning approach to model annotation styles that correlate with specific image features, potentially enabling detection biases to be more easily identified.

学习分解的表示形式需要监督或引入特定模型设计和学习限制作为偏见。Infogan是一个流行的分离框架，通过最大化潜在表示及其相应生成的图像之间的相互信息来学习无监督的分解表示形式。通过引入辅助网络和潜在回归损失的培训来实现共同信息的最大化。在这篇简短的探索性论文中，我们研究了希尔伯特 - 史密特独立标准（HSIC）的使用，以近似潜在表示和图像之间的相互信息，称为HSIC-INFOGAN。直接优化HSIC损失可以避免需要额外的辅助网络。我们定性地比较了每个模型中的分离水平，提出了一种调整HSIC-INFOGAN超参数的策略，并讨论了HSIC-INFOGAN在医疗应用中的潜力。

发现预测未来疾病结果的患者特定成像标记可以帮助我们更好地了解疾病进化的个体水平异质性。实际上，可以在医学实践中采用的可以提供数据驱动的个性化标记的深度学习模型。在这项工作中，我们证明了数据驱动的生物标志物发现可以通过反事实综合过程来实现。我们展示了如何使用深层的条件生成模型来扰动基线图像中的局部成像特征，这些图像与特定于受试者的未来疾病进化有关，并导致反事实图像有望具有不同的未来结果。因此，候选生物标志物是由于检查了此过程中受到干扰的一组功能而产生的。通过对大型多扫描仪多中心多发性硬化症（MS）临床试验磁共振成像（MRI）数据集（RRMS）患者数据集（RRMS）患者数据集进行的几项实验，我们证明我们的模型会产生反面的反面事件，并具有成像变化反映了建立的临床标记的特征，可预测人群水平的未来MRI病变活性。其他定性结果表明，我们的模型有可能发现未来活动的新颖和主题的预测标记。

由于成本限制，减少医学图像分割中密集注释的面具的需求很重要。在本文中，我们考虑仅通过使用图像级标签进行训练来推断脑病变的像素级预测的问题。通过利用生成扩散概率模型（DPM）的最新进展，我们综合了“如果不存在X病理学，患者将如何出现？”。观察到的患者状态与健康反事实之间的差异图像可用于推断病理位置。我们产生的反事实是对应于输入的最小变化，以使其转化为健康域。这需要在DPM中使用健康和不健康的数据进行培训。我们通过通过隐式指导以及注意力条件而不是使用分类器来操纵生成过程来改善以前的反事实DPM。代码可在https://github.com/vios-s/diff-scm上找到。

数据保护法规中规定的权利允许患者要求数据持有人消除有关其信息的知识。随着AI在数据上学习的出现，人们可以想象，这种权利可以要求忘记AI模型中患者数据知识的要求。但是，忘记了来自AI模型的患者的成像数据仍然是一个爆炸案。在本文中，我们研究了患者数据对模型性能的影响，并为患者的数据提出了两个假设：他们是常见的，并且与其他患者相似，或者形成边缘病例，即独特的和罕见的病例。我们表明，不可能轻松地忘记患者数据。我们提出了一种有针对性的遗忘方法，以执行患者遗忘。基准自动化心脏诊断挑战数据集的广泛实验展示了所提出的目标遗忘方法的性能，而不是最先进的方法。

培训医学图像分割模型通常需要大量标记的数据。相比之下，人类可以迅速学会从医学（例如MRI和CT）图像中准确地识别出有限的指导性解剖学。这种识别能力可以很容易地推广到来自不同临床中心的新图像。这种快速且可普遍的学习能力主要是由于人脑中图像模式的组成结构所致，该图像模式在医学图像分割中较少纳入。在本文中，我们将人类解剖结构的组成成分（即模式）建模为可学习的von-mises-fisher（VMF）内核，它们对从不同领域（例如临床中心）收集的图像具有鲁棒性。图像特征可以分解为具有组成操作的组件（或由）组成的组件，即VMF可能性。 VMF的可能性证明了每个解剖部分在图像的每个位置的可能性。因此，可以根据VMF的可能性预测分割掩模。此外，使用重建模块，未标记的数据也可以通过重新组合重建输入图像来学习VMF内核和可能性。广泛的实验表明，所提出的VMFNET在两个基准上实现了改善的概括性能，尤其是在注释有限的情况下。代码可在以下网址公开获取：https：//github.com/vios-s/vmfnet。

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。

心肌活力的评估对于患有心肌梗塞的患者的诊断和治疗管理是必不可少的，并且心肌病理学的分类是本评估的关键。这项工作定义了医学图像分析的新任务，即进行心肌病理分割（MYOPS）结合三个序列的心脏磁共振（CMR）图像，该图像首次与Mycai 2020一起在Myops挑战中提出的。挑战提供了45个配对和预对准的CMR图像，允许算法将互补信息与三个CMR序列组合到病理分割。在本文中，我们提供了挑战的详细信息，从十五个参与者的作品调查，并根据五个方面解释他们的方法，即预处理，数据增强，学习策略，模型架构和后处理。此外，我们对不同因素的结果分析了结果，以检查关键障碍和探索解决方案的潜力，以及为未来的研究提供基准。我们得出结论，虽然报告了有前途的结果，但研究仍处于早期阶段，在成功应用于诊所之前需要更深入的探索。请注意，MyOPS数据和评估工具继续通过其主页（www.sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20 /）注册注册。

甚至在没有受限，监督的情况下，也提出了甚至在没有受限或有限的情况下学习普遍陈述的方法。使用适度数量的数据可以微调新的目标任务，或者直接在相应任务中实现显着性能的无奈域中使用的良好普遍表示。这种缓解数据和注释要求为计算机愿景和医疗保健的应用提供了诱人的前景。在本辅导纸上，我们激励了对解散的陈述，目前关键理论和详细的实际构建块和学习此类表示的标准的需求。我们讨论医学成像和计算机视觉中的应用，强调了在示例钥匙作品中进行的选择。我们通过呈现剩下的挑战和机会来结束。

由于他们学习灵活的数据驱动损失能力，生成的对抗性网络（GANS）是许多半和弱监督医学图像分割方法的一个组成部分。 Gans在一组培训数据上共同优化发电机和对抗性鉴别者。在训练完成之后，通常丢弃鉴别器，并且只使用发电机推断。但我们应该丢弃鉴别者吗？在这项工作中，我们认为训练稳定的鉴别者产生了表现性的损失函数，我们可以在推理中重复使用，以检测和\ yringit {正确}分割错误。首先，我们确定关键挑战，并提出可能的解决方案，使鉴别者在推理中重新使用。然后，我们表明我们可以将具有图像重建成本（通过解码器）的判别器结合在一起以赋予测试时间训练的因果角，并进一步改进模型。我们的方法简单，提高了预先培训的GAN的测试时间性能。此外，我们表明它与标准的后处理技术兼容，它有可能用于在线持续学习。通过我们的工作，我们开设新的研究途径，以便在推理中重新使用对抗性鉴别器。我们的代码可以在https://vios-s.github.io/addersarial-test-time -Time-Tome-Torion。