醫(yī)學圖像分割（MICCAI2019）

1、醫(yī)學圖像分割（MICCAI2019 ）.頭部FocusNet: Imbalanced Large and Small Organ Segmentation with an End-to-End Deep Neural Network for Head and Neck CT Images針對 Head and Neck(HaN) CT images數(shù)據(jù)集來源：公共數(shù)據(jù)集 和 MICCAI Head and Neck Auto Segmentation Challenge 2015 dataset創(chuàng)新點：對器官額外使個定位和分割絡，和器官的分割結(jié)果整合，解決器官尺度不問題，提升整體分割效果。包括

2、主題絡S-Net, 標定位絡SOL-net, 標分割絡SOS-Net. S-Net 為改進的U-Net 如下所:Loss 采取Focal loss 和 Dice loss.Deep Cascaded Attention Network for Multi-task Brain Tumor Segmentation任務：brain tumor segmentation（3D） 數(shù)據(jù)集來源：BRATS 2018 dataset具體要求：區(qū)分brain tumor的whole tumor (WT), tumor core (TC) 和 enhancing tumor (ET). 這三個區(qū)域具有典型層

3、次關(guān)系，WT 包含TC, TC包含ET。Cascaded attention 模塊很好的利了分割任務的層次關(guān)系對應的attention map M, 通過下式進可視化：c代表channel, 即通過L2-norm得到average pixel-wise activation。每個branch的絡結(jié)構(gòu)如下：類U-Net結(jié)構(gòu)，中間多加了Feature Bridge 模塊。Loss 采multi-class soft Dice Loss和Focal Loss組合形式X-Net: Brain Stroke Lesion Segmentation Based on Depthwise Separable

4、 Convolution and Long-Range Dependencies任務：Brain Stroke Lesion Segmentation數(shù)據(jù)集：Anatomical Tracings of Lesions After Stroke (ATLAS) dataset絡結(jié)構(gòu)如下：具體實現(xiàn)包括嵌Depthwise Separable Convolution， 加FSM模塊（類似Non-Local）等分割效果對如下：CLCI-Net: Cross-Level Fusion and Context Inference Networks for Lesion Segmentation of C

5、hronic Stroke 數(shù)據(jù)集同 3.絡結(jié)構(gòu)如下：創(chuàng)新點包括：使Cross-Level feature Fusion (CLF) 策略（dense/密集連接策略）融合multi-scale 特征.CLF策略進步拓展了ASPP。 即在原來ASPP5個分的基礎上增加了4個分，對應前的各級融合后的multic-scale特征。ConvLSTM替換了傳統(tǒng)U-Net 在decoder 部分 high-level特征與encoder 傳來的 low-level特征 簡單concate的融合式。分割效果對如下：Refined Segmentation R-CNN: A Two-Stage Convolu

6、tional Neural Network for Punctate White Matter Lesion Segmentation in Preterm Infants任務：punctate white matter lesion (PWML) segmentation 數(shù)據(jù)集來源：公共數(shù)據(jù)集該病特點：病灶常Mask-rnn架構(gòu)-Two-Stage 法，先檢測再分割H-RPN絡抽取特征圖成系列包含周圍信息的ROIs，送network head, head借助周圍信息進class和box的修正，然后將修正后的ROIs送LRS-Net 進病灶分割。因為病灶太，H-RPN絡使ReLU加強對Tru

7、e Positive 區(qū)域的提?。粩U了box的從包含周圍信息，降低box預測偏差，也有利于后續(xù)修正；同時因為正樣本太少，縮了proposal的數(shù)量，避免正負樣本過度不平衡。LRS-Net 中使Dense CRF修正分割圖。不同法分割效果對如下：.背部1.Multi-resolution Path CNN with Deep Supervision for Intervertebral Disc Localization and Segmentation 任務：Intervertebral Disc(IVDs) Localization and Segmentation 數(shù)據(jù)集來源：MICCAI

8、 2018 IVDM3Seg Challenge dataset絡結(jié)構(gòu)如下：Multi-Resolution Path CNN with deep supervision（MRP-DSN）每個路徑分獨負責個resolution的預測，并配有對應resolution的Ground Truth 加以監(jiān)管，彼ft不互相擾，使得訓練更有效，也不易陷相同的局部極值，最后融合到起給出最終預測。（具體實現(xiàn)包括Denseblock模塊， ASPP模塊等）預測效果如下：三.腹部Colorectal adenocarcinoma1.Deep Segmentation-Emendation Model for Gl

9、and Instance Segmentation Gland Instance segmentation(CRAG) dataset分割醫(yī)學圖像數(shù)據(jù)來源：2015 MICCAI Gland Segmentation (GlaS) Challenge dataset和 colorectal adenocarcinoma gland數(shù)據(jù)如下所：分割絡：DSE modelDSE model = Segmentation Network + Emendation Network Segmentation Network 進正向預測，得到分割預測Emendation Network 進反向預測，即預測

10、出錯的部分在train階段，SN絡逐步學習提升分割能，EN學習提升檢測錯誤的能。者都受相應Ground Truth監(jiān)管。EN絡的Ground Truth由SN絡給出分割預測圖和分割的Ground Truth 對得到，具體定義如下：通過訓練，EN絡逐步具備預測出錯部分的能。在test階段，SN絡給出預測后，EN絡給出出錯部分，進修正，refine后的分割圖為最終分割結(jié)果。具體的：SN絡給出的預測在EN絡的預測指導下修正錯誤。即：如果E=0, 代表預測正確，需修正；如果E =1，代表預測范圍了,當前點也屬于分割區(qū)（對應上述ii第個if），所以將該點修正為1；如果E =2, 代表預測范圍了，當前點不

11、屬于分割區(qū)，所以將該點修正為0。i預測效果和其他法對如下：Seg-Net的訓練采cross-entropy loss。Eme-Net的訓練因為存在嚴重類別不平衡問題，采multi-class Dice loss 和cross-entropy (ce) loss 結(jié)合的式（Dice loss 可以緩解類別不平衡問題）。本篇最的創(chuàng)新點就在于提出了個于預測（檢查）錯誤部分的絡從進修正完善。其他1.ET-Net: A Generic Edge-aTtention Guidance Network for Medical Image Segmentation 測試任務和數(shù)據(jù)包括：1.Optic Disc

12、 and Cup Segmentation in Retinal Images the REFUGE1 dataset 和 the Drishti-GS dataset 2.Vessel Segmentation in Retinal ImagesDRIVE dataset3.Lung Segmentation in X-Ray Images Montgomery County (MC) dataset 4.Lung Segmentation in CT ImagesThe Lung Nodule Analysis (LUNA) competition dataset兩個預測模塊的Loss 均

13、采Lovasz-Softmax loss （對于類別不平衡問題，該loss的表現(xiàn)cross entropy loss 要好）2.Selective Feature Aggregation Network with Area-Boundary Constraints for Polyp Segmentation 任務：polyp segmentation數(shù)據(jù)集來源：the EndoScene dataset絡結(jié)構(gòu)采1個encoder, 2個decoder，分別預測area 和 boundary，從提升整體息分割效果。創(chuàng)新點：在U-net 結(jié)構(gòu)上加Up-Concatenations(圖中斜向上的紅線)。捕獲multi-level 特征。encoder 和 decoder 內(nèi)嵌SKM(Selective Kernel Module)模塊。融合multi-scale 特征。Loss 的設計。loss 由4部分組成。如下所：binary cross-entropy loss 和 diceloss組成。La 為 area loss, 由Lb 為 boundary l