1.论文名称：Cross-denoising Network against Corrupted Labels in Medical Image Segmentation with Domain Shift论文链接：https://www.aminer.cn/pub/5ef0816891e0112aee042a8f?conf=ijcai2020简介：深度卷积神经网络（DCNN）在分割任务，尤其是医学成像领域，贡献了许多突破。然而，域偏移和注释损坏是医学成像中的两个常见问题，在实践中会极大地降低DCNN的性能。在本文中，我们提出了一种新颖的健壮的交叉降噪框架，该框架使用两个对等网络通过对等审查策略来解决域移位和标签损坏问题。具体来说，每个网络都充当指导者，相互监督以从对等网络选择的可靠样本中学习，以应对标签损坏。另外，提出了一种噪声容忍的损耗，以鼓励网络捕获关键位置并过滤各种噪声污染标签下的差异。为了进一步减少累积误差，我们在班级一级使用最有信心的预测引入了班级不平衡交叉学习。视盘（OD）和视杯（OC）分割的REFUGE和Drishti-GS数据集的实验结果证明了我们提出的方法的先进性能。 2.论文名称：Learning Latent Forests for Medical Relation Extraction论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef27721e3?conf=ijcai2020简介：医学关系提取的目的是检测医学文本中实体之间的关系，例如基因，突变和药物。事实证明，依赖关系树结构可用于此任务。用于这种关系提取的现有方法利用现成的依赖性解析器来获取文本的语法树或森林。但是，对于医学领域，低解析精度可能会导致错误在关系提取管道的下游传播。在这项工作中，我们提出了一种新颖的模型，该模型将依赖项结构视为潜在变量，并以端到端的方式从非结构化文本中将其导出。我们的模型可以理解为组成特定于任务的依赖林，该林捕获非本地交互以更好地提取关系。在四个数据集上的大量结果表明，我们的模型能够在不依赖任何直接树监督或预训练的情况下显着胜过最新系统 3.论文名称：Unsupervised Domain Adaptation with Dual-Scheme Fusion Network for Medical Image Segmentation论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772191?conf=ijcai2020简介：领域自适应旨在缓解将预训练模型应用于其他领域时对其进行再训练的问题，这需要目标领域的大量额外训练数据。通常通过在源域标签和目标域数据之间建立连接来实现此目标。但是，这种从源到目标的不平衡单向传递可能无法消除域间隙，从而限制了预训练模型的性能。在本文中，我们提出了一种创新的双方案融合网络（DSFN），用于无监督域自适应。通过建立源到目标和目标到源的连接，这种平衡的联合信息流有助于减小域差距，从而进一步提高网络性能。该机制进一步应用于推断阶段，在原始阶段，原始输入目标图像和生成的源图像都与提出的联合网络进行了分割。融合结果以获得更鲁棒的分割。在两项任务上进行了无监督的跨模态医学图像分割的广泛实验-脑肿瘤分割和心脏结构分割。实验结果表明，与其他最新领域的自适应方法相比，我们的方法取得了显着的性能提升 4.论文名称：Meta Segmentation Network for Ultra-Resolution Medical Images论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef2772042?conf=ijcai2020简介：尽管最近在语义分割上取得了长足的进步，但是医学超分辨率图像分割仍然存在巨大的挑战。基于多分支结构的方法可以在计算负担和分割精度之间取得良好的平衡。但是，这些方法中的融合结构需要精心设计才能获得理想的结果，从而导致模型冗余。在本文中，我们提出了元细分网络（MSN）来解决这一具有挑战性的问题。借助元学习，MSN的融合模块非常简单但有效。MSN可以通过一个简单的元学习器快速生成融合层的权重，只需几个训练样本和纪元即可收敛。另外，为避免从头开始学习所有分支，我们进一步引入了一种特殊的权重共享机制，以实现快速的知识自适应，并在多个分支之间共享权重，从而提高了性能并显着减少了参数。在两个具有挑战性的超分辨率医学数据集BACH和ISIC上的实验结果表明，与最新方法相比，MSN达到了最佳性能。
