近日，顶级人工智能医学影像学术会议MICCAI2021 (International Conference on Medical Image Computing and Computer Assisted Intervention, MICCAI)论文录用结果揭晓，王连生老师实验室共计入选6篇论文，研究方向涵盖医学影像中的分类、分割、检测、手术导航等应用场景，实现医疗影像人工智能技术的全面突破，录用的6篇论文中，其中4篇被提前录用（录用率13%），其余两篇在rebuttal后被录用，

MICCAI是由国际医学图像计算和计算机辅助干预协会(Medical Image Computing and Computer Assisted Intervention Society) 举办，跨医学影像计算(MIC)和计算机辅助介入 (CAI) 两个领域的综合性学术会议，是该领域的顶级会议，吸引了全球134所顶级科研高校的研究团队共同参与，在业内有着非常强的国际影响力与学术权威性。

以下为六篇入选论文科研成果概述：

1. Unsupervised Representation Learning Meets Pseudo-Label Supervised Self-Distillation: A New Approach to Rare Disease Classification

本文针对罕见病提出了一种无监督分类方法，主要通过伪标签监督与无监督表征学习训练卷积神经网络以提升其在罕见病分类问题中的性能。解决了当前方法需要利用大量有标注数据集以及没有充分利用罕见病少量有标注信息的问题。

2. Simultaneous Alignment and Surface Regression Using Hybrid 2D-3D Networks for 3D Coherent Layer Segmentation of Retina OCT Images

本文的贡献是提出了一个新的混合2D-3D网络用于3D OCT数据连续B扫描对齐和眼角膜层回归。该网络的核心想法是利用OCT数据中眼角膜层在B扫描内部以及B扫描之间的全局连贯性对其进行分割。实验结果表明提出的模型的眼角膜层回归结果达到了最优，验证了模型的有效性。

3. Boundary-aware Transformers for Skin Lesion Segmentation

本文的主要贡献是，提出了一种新颖的边界感知Transformer来进行皮肤病变的分割。相比于传统的卷积神经网络，本文所提出的Transformer具备更强的全局上下文信息提取的能力。同时，本文提出使用边界感知模块，增强Transformer对模糊边缘区域的分割能力，并利用边界提供的空间信息，辅助Transformer学习位置编码，减少对训练数据的依赖。提出的方法在两个公开的数据集上均取得了最优结果。

4. DT-MIL: Deformable Transformer for Multi-instance Learning on Histopathological Image

本文的主要贡献是提出了一种基于形变转换器 (DT)结构和卷积层的嵌入空间MIL模型，DT体系结构使我们的MIL模型能够通过在包表示学习过程中同时全局聚合包中的实例特征并对实例的位置上下文信息进行编码来更新每个实例特征。

5. Multi-modal Multi-instance Learning using Weakly Correlated Histopathological Images and Tabular Clinical Information

本文主要贡献点是提出了一种新的MMMI联合学习模型，该模型具有多模态多实例融合(M3IF)模块，该模块可以生成不同模态的跨模态表示，以重新校准每个模态中的特征并捕捉其关系，缓解模态之间数据错位的不良影响。本文利用跨模态表征来指导基于注意的MIL，以加强对成像模态中的信息实例的注意，并且利用多尺度图像提供了更全面的成像方式的表示。

6. Efficient Global-Local Memory for Real-time Instrument Segmentation of Robotic Surgical Video

本文的主要贡献是，提出了一种双存储网络来进行手术视频中器械的实时分割。一方面，该方法结合卷积LSTM和Non-Local机制对局部存储的特征进行融合，加强对局部信息的提取。另一方面，该方法提出基于预测的不确定性和特征相似性过滤全局存储模块，使得全局信息的融合更加高效。我们在两个公开的基准模型上验证了此方法。结果表明，本文的方法在保证实时推理速度的同时，在分割精度上大大优于现有方法。