时间：2022年06月2日（本周四） 09:30
地点：望江校区基础教学楼B座318实验室
研读成员：高承睿 周锋
Part1
分享者：高承睿
分析内容：
[1] Zhao X, Zhang L, Lu H. Automatic polyp segmentation via multi-scale subtraction network[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2021: 120-130.
[2] Wang J, Wei L, Wang L, et al. Boundary-Aware Transformers for Skin Lesion Segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2021: 206-216.
论文简介：
[1] 90%以上的大肠癌是由大肠息肉逐渐转化而来的。在临床实践中，精确的息肉分割为早期发现结直肠癌提供了重要信息。因此，自动息肉分割技术对患者和医生都非常重要。大多数现有方法都是基于U形结构，并在解码器中使用逐元素加法或连接来逐步融合不同级别的特征。然而，这两种操作都容易产生大量冗余信息，这会削弱不同层次特征之间的互补性，导致定位不准确和息肉边缘模糊。为了应对这一挑战，我们提出了一个多尺度减法网络（MSNet）从结肠镜图像中分割息肉。具体来说，我们首先设计了一个减法单元（SU）来产生编码器中相邻级别之间的差异特征。然后，我们金字塔式地为不同层次的SU配备不同的感受野，从而获得丰富的多尺度差异信息。此外，我们构建了一个免训练网络“LossNet”，从底层到顶层全面监督息肉感知特征，从而驱动MSNet同时捕捉细节和结构线索。在五个基准数据集上进行的大量实验表明，我们的MSNet在不同的评估指标下与大多数最先进的方法相比表现良好。此外，MSNet在处理352×352图像时以70fps的实时速度运行
[2] 皮肤镜图像的皮肤病变分割对于改进皮肤癌的定量分析具有重要意义。然而，由于黑色素瘤的巨大变化和病变区域的模糊边界，黑色素瘤的自动分割是一项非常具有挑战性的任务。虽然卷积神经网络（CNN）在这项任务中取得了显着进展，但大多数现有解决方案仍然无法有效地捕获全局依赖关系以抵消由有限感受野引起的归纳偏差。最近，Transformers通过采用强大的全局注意力机制被提出作为全局上下文建模的有前途的工具，但是当应用于分割任务时，它们的主要缺点之一是它们不能有效地提取足够的局部细节来解决模糊的边界.我们提出了一种新的边界感知转换器（BAT）来全面解决自动皮肤病变分割的挑战。具体来说，我们将新的边界注意门（BAG）集成到转换器中，使整个网络不仅可以通过转换器有效地模拟全局远程依赖关系，而且同时通过充分利用边界的先验知识捕获更多局部细节。特别是，BAG的辅助监督能够帮助Transformer学习位置嵌入，因为它提供了很多空间信息。我们进行了广泛的实验来评估提出的BAT，实验证实了它的有效性，在两个著名的数据集中始终优于最先进的方法。
Part2
分享者： 周锋
分享内容：
[1] Bo M , Entezari A . An Interactive Framework for Visualization of Weather Forecast Ensembles[J]. 2019.
[2] Kumpf A , Rautenhaus M , Riemer M , et al. Visual Analysis of the Temporal Evolution of Ensemble Forecast Sensitivities[J]. 2019.
论文简介：
[1] 数值天气预报集合通常用于评估天气预报的不确定性和可信度。意大利面条图是气象学家直接检查集合数据不确定性的常规工具，它同时可视化所有集合成员的等值线。为了避免实际使用中的视觉混乱，需要选择少量富含特殊信息的等值线进行视觉分析。此外，由于集合等值线的复杂拓扑关系和变化性，在大型集合中，即使利用意大利面条图来解释单个等值线也是一项具有挑战性的任务。该文章提出了一个用于天气预报集合数据不确定性可视化的交互式框架，该框架显著改进和扩展了集合分析中意大利面条图的效用。作为对最先进方法的补充，该文章为等值线集合的视觉探索提供了一个完整的框架，包括等值选择、交互式等值线探索以及交互式子区域选择和重新分析。该文章提出了基于等值线集合高密度聚类结果的新可视化方法，称为模式图和简化的意大利面条图，它还可以选择感兴趣的等值线子集，这些等值线在链接的意大利面条图中以交互方式突出显示。由于集合等值线的空间变异性，该系统允许交互式选择子区域，并将重点放在局部不确定性和聚类重新分析的子区域上。
[2] 集合敏感性分析用于确定数值天气预报模型计算的标量预测量对相同或不同模型下变量变化的敏感性，其应用包括确定预测误差的来源和放置有针对性的观测值以改进未来的预测。该文章提出了一个可视化分析框架，以改进集合敏感性分析的当前实践。该文章通过嵌入基于相关性的网格点聚类来获得统计上一致的区域，支持用户选择区域来计算有意义的目标预测量。然后，通过将特征匹配的定量度量集成到基于光流的特征分配中，跟踪通过集合敏感性分析计算的灵敏度特征的演变，并通过显示灵敏度地理空间演变的滑动路径进行可视化。通过特征内部相关结构的可视化可以引导用户使用这些特征，从而有力地预测特定的天气事件。
