Accurate and robust deep learning-bast segmentation MICCAI 2019最佳论文笔记

论文标题

Accurate and robust deep learning-based segmentation of the prostate clinical target volume in ultrasound images

这是2019 MICCAI最佳论文因为是关于超声的文章，而我自己也是做超声图像的，认真读了下从中汲取灵感。

1.文章目的：

文章主要目的是解决超声前列腺体积分割过程过程中，由于标记数据质量差造成的难分割样本的分割问题。

2.文章贡献

1 对分割网络进行了改进
1.1将Unet分割网络结构进行了改进，对原来固定的卷积核尺寸改变成为不同大小的卷积核尺寸。并对卷积步长做了改变。目的是可以直接从原始图像中提取精细和粗糙特征。
1.2 将Unet网络的编码部分变成的densenet加强了特征重用，并减少了网络参数。
1.3 将所有特征都通过了残差块
网络结构感觉没啥大的变化。

2 通过调整采样进行训练
核心就是在小样本训练时，在训练时模型越多接触的训练样本，会对模型产生更大的数据。因此文章通过调整训练集采样方式提升模型性能
流程过程：
2.1，利用训练集首先训练CAE模型，用于计算样本之间的相似性，并学习数据的低维表达。

损失函数如下

2.2计算样本和标签之间的差异。

2.3，如果在训练过程中验证集样本损失函数很高，那么增加在下一个epoch中与验证集样本相似的训练集样本的出现概率

其中C为训练集和验证集的相似性
，
e为标签和结果之间的误差。

3 利用MRI先验知识和集成模型进行结果预测。
通过5折交叉验证集成多个模型进行测试，如果多个模型之间结果差异很大使用先验知识进行判断。
这部分讲到了MRI图像配准方面的知识不是很懂.之后可以详细了解下。

个人感受:
小样本训练加入先验知识是个很好的解决输入信息不够的方法。
文章提到的调整采样方法也很适合我的实验。