XiaoMi-AI文件搜索系统
World File Search SystemMICCAI
MICCAI2024-Program-Book.pdf
在 MICCAI，我们不仅庆祝医学成像、计算机辅助干预和人工智能方面的进步，还庆祝使我们的工作成为可能的全球合作。今年的会议反映了各个学科的最新研究和创新，其计划充满了开创性的技术论文、引人入胜的主题演讲、发人深省的研讨会和实践教程。我鼓励您利用各种机会学习、分享您的专业知识，并与像您一样热衷于塑造医疗保健未来的同行交流。在非洲举办 MICCAI 还强调了扩大我们研究的全球影响力、开辟新的合作途径以及认可在塑造医疗技术未来方面发挥着越来越重要作用的地区所做出的重大贡献的重要性。今年启动的 AFRICAI 网络就是这种趋势的一个例子。我们很自豪能够迈出这一步，拓宽我们的视野，为 MICCAI 社区创造与世界接触的新机会。
MICCAI2024-详细口头和海报会议计划.pdf
使用随机步进对齐的基于扩散的域自适应医学图像分割 演讲者：Wen Ji，香港科技大学，香港特别行政区 CoReEcho：用于 2D+时间超声心动图分析的连续表征学习 演讲者：Fadillah Maani，穆罕默德·本·扎耶德人工智能大学，阿拉伯联合酋长国 少量切片就足够：具有主动交叉注释的多方面一致性学习用于几乎无监督的 3D 医学图像分割 演讲者：Zhe Xu 和 Xinyao Wu，香港中文大学，香港特别行政区 使用神经隐式 k 空间表示进行运动分辨腹部 MRI 的自监督 k 空间正则化 演讲者：Veronika Spieker，亥姆霍兹慕尼黑/慕尼黑工业大学，德国 用于高分辨率医学图像增强的临床导向轻量级网络 演讲者：Osmar R. Zaiane，阿尔伯塔大学阿尔伯塔机器智能研究所，加拿大
MICCAI 2024 计划一览
论文 ID 标题/作者 指定会议 6 时空对比网络用于冠状动脉 CT 血管造影中冠状动脉疾病的数据高效学习 马兴华，邹明业，方欣燕，刘洋，罗恭宁，王伟，王宽泉，邱兆文，高鑫，李硕 海报 5 14 TP-DRSeg：通过显式文本提示辅助 SAM 改善糖尿病视网膜病变病变分割 李文学，熊新宇，夏鹏，鞠烈，葛宗元 海报 4 26 用于外科三联体识别的尾部增强表征学习 桂双春，王振坤 海报 1 40 MH-pFLGB：通过全局旁路模型进行医学图像分析的异构个性化联邦学习 谢璐媛，林曼青，徐晨明，栾天宇，曾志鹏，文俊Chen, Cong Li, Yuejian Fang, Qingni Shen,zhonghai Wu 海报 2 50 FM-ABS：即时基础模型驱动 3D 医学图像分割的主动无监督学习 Zhe Xu, Cheng Chen, Donghuan Lu, Jinghan Sun, Dong Wei, Yefeng Cheng, Quanzheng Li, Raymond Kai-yu Tong 海报 1 53 心脏副驾驶：使用世界模型自动引导超声心动图蒋浩军、孙振国、贾宁、李萌、孙宇、罗沙琪、宋世吉、黄高海报 2 65 拥抱海量医疗数据 周宇成、周宗伟、Alan Yuille 海报 1 67 掩蔽缺失：不完整多模态脑肿瘤分割的任意跨模态特征重建 曾志林、彭泽林、杨小康、沉伟海报 4 73 迈向直肠内超声视频中结直肠癌分割的基准：数据集和模型开发 Yun Cheng Jiang、Yiwen Hu、Zixun 张、Jun Wei、Chun-Mei Feng、Xuemei Tang、Xiang Wan、Yong Liu、Shuguang Cui、Zhen Li 海报 5 74 UinTSeg：统一婴儿脑组织分割与解剖描绘 Jiameng Liu、Feihong Liu、Kaicong Sun、Yuhang Sun、 Jiawei Huang, Caiwen Jiang, Islem Rekik, Dinggang Shen 海报 2 77 XCoOp：通过概念引导上下文优化实现计算机辅助诊断的可解释即时学习 Yequan Bie, Luyang Luo,zhixuan Chen,hao Chen 海报 5 78 DiffExplainer：通过反事实生成揭开黑盒模型 Yingying Fang, Shuang Wu, Zihao Jin, Shiyi Wang, Caiwen Xu, Simon沃尔什·光阳海报 5
Miccai 2023 -NSF -PAR
摘要。便携式和负担得起的视网膜成像设备的快速可访问性使早期的差异诊断更加容易。例如，在偏远村庄中很容易获得颜色底面的成像，这可以帮助鉴定与年龄相关的黄斑变性（AMD），青光眼或病理肌病（PM）等疾病。另一方面，国际空间站的宇航员利用该摄像机来识别空间相关的神经 - 眼综合征（SANS）。更精确的疾病鉴定。此外，由于带宽限制，必须压缩成像数据以在这两个地方之间传输。在整个过程中提出了不同的超分辨率算法。Furthermore，furthermore，witheadeDeventOfFlearning，fiffiendhas AdvancedSomuchthat×2 and×4 CompressemagescanbedeccanbedEcompressedtecompressiontotheir原始形式的原始形式而不会丢失空间信息。在本文中，我们介绍了一种名为Swin-fsr的新颖模型，该模型利用Swin Transformer具有空间和深度的AviseForfundUsimagesumagesuper-resolution.ourarchitectureachieves peaksignal-to-Noise-to-Noise-ratio（psnr）47.89、49.00和45.32 iChallenge-amd，iChallenge-pm，andG1020。在介于Additionally上，对SANS的私人持有数据集的有效性，并与以前的体系结构取得了可比的结果。