Уважаемые коллеги, доброго времени суток! Представляем вам нидерландское научное издание Medical Image Analysis. Журнал имеет первый квартиль, издается в Elsevier, его SJR за 2020 г. равен 2,887, импакт-фактор - 8,545, печатный ISSN - 1361-8423, электронный - 1361-8415, предметные области - Компьютерная графика и дизайн, Радиология и радиационная медицина, Медицинская информатика, Радиология и ультразвуковые технологии, Машинное зрение и распознавание образов. Вот так выглядит обложка:
Здесь два редактора - Николас Аяче, контактные данные - nicholas.ayache@inria.fr
и Джеймс Дункан - james.duncan@yale.edu.
Журнал обеспечивает форум для распространения новых результатов исследований в области анализа медицинских и биологических изображений с особым акцентом на усилия, связанные с применением компьютерного зрения, виртуальной реальности и робототехники для решения задач биомедицинской визуализации. К публикации принимаются высококачественные оригинальные статьи, которые вносят вклад в фундаментальную науку обработки, анализа и использования медицинских и биологических изображений для этих целей. Журнал интересуется подходами, использующими наборы биомедицинских изображений во всех пространственных масштабах, начиная от молекулярной/клеточной визуализации и заканчивая визуализацией тканей/органов.
Адрес издания - https://www.sciencedirect.com/journal/medical-image-analysis
Пример статьи, название - Joint Fully Convolutional and Graph Convolutional Networks for Weakly-Supervised Segmentation of Pathology Images. Заголовок (Abstract) - Tissue/region segmentation of pathology images is essential for quantitative analysis in digital pathology. Previous studies usually require full supervision (e.g., pixel-level annotation) which is challenging to acquire. In this paper, we propose a weakly-supervised model using joint Fully convolutional and Graph convolutional Networks (FGNet) for automated segmentation of pathology images. Instead of using pixel-wise annotations as supervision, we employ an image-level label (i.e., foreground proportion) as weakly-supervised information for training a unified convolutional model. Our FGNet consists of a feature extraction module (with a fully convolutional network) and a classification module (with a graph convolutional network). These two modules are connected via a dynamic superpixel operation, making the joint training possible. To achieve robust segmentation performance, we propose to use mutable numbers of superpixels for both training and inference. Besides, to achieve strict supervision, we employ an uncertainty range constraint in FGNet to reduce the negative effect of inaccurate image-level annotations. Compared with fully-supervised methods, the proposed FGNet achieves competitive segmentation results on three pathology image datasets (i.e., HER2, KI67, and H&E) for cancer region segmentation, suggesting the effectiveness of our method. The code is made publicly available at https://github.com/zhangjun001/FGNet.
Graphical abstract
Keywords:
Weakly-Supervised Segmentation; Pathology Image Segmentation; Graph Convolutional Networks
