Introduction

Goal

微血管侵犯(MVI) 的诊断需要发现含有肝癌细胞的血管，并计算它们在每条血管中的数量，这在很大程度上依赖于医生的经验，在很大程度上是主观和耗时的。
对于病理性肝血管的分割，由于精确标注这些血管非常繁琐、耗时和昂贵，目前还没有专门的数据集。

Motivation

我们首先收集了一个病理肝脏图像数据集，其中包含522张完整的病理切片图像，包括血管、MVI，它可作为病理肝脏图像分析研究的基准。

1. 病理肝脏图像具有一些独特的属性，如超大样本尺寸、多尺度血管、血管边缘模糊等，这对血管的精确分割具有挑战性。
2. 通过二值化处理可以得到大部分血管的粗边缘。对于含有肝癌细胞的血管，二值化处理将无法精细分割这些patch。然而，结合erosion and dilation操作，二值化处理容易产生一些过分割或欠分割的血管。

Contribution

1. 首先，我们收集了一个病理肝脏图像数据集，其中包含522张完整的病理切片图像，有血管、MVI的标记。它可以很容易地作为肝细胞癌分析的基准。
2. 其次，提出的分割网络结合了一个边缘感知自监督模块和两个分割判别器，有效地解决了病理血管分割中的难题。在此基础上，首先提出了两个判别器之间的边缘竞争机制，用于学习过分割和欠分割斑块的精确分割，有效地缓解了对大量标注的依赖。
3. 最后，在有限的标签下，EVS-Net取得了与完全监督的结果相当的结果，为病理肝血管分割提供了一个方便的工具。

Related work

略。。。

Method

病理肝血管分割流程图。
总共分三个阶段：

1. 病理切片预处理——对于从整个切片病理图像上切下的大量未标记的斑块，医生只需要标记有限的斑块。同时，经过二值化处理后，通过不同的侵蚀和膨胀操作，生成一些欠分段(过分段)斑块和欠分段(过分段)斑块。
2. 分割网络——然后，提出了基于上述有限标签、过分割和欠分割的patch的EVS-Net分割方法。EVS-Net包括病理血管分割网络(PVSN)、判别器部分。分割网络首先使用有限的标签进行训练初始化PVSN。
3. 边缘对抗判别器——针对过分割和欠分割的斑块，训练这两个判别器来判别分割后的血管和背景是否含有剩余的特征。在训练阶段，对于一个未标记的patch，只有当预测的掩模是完美的分割时，才能同时满足两个鉴别器的真实准则，从而使PVSN分割更加准确。

病理切片预处理

• 病理肝脏图像具有超大尺寸、多尺度血管。同时，血管和背景的面积也不平衡。为了得到有用的训练样本，我们首先根据白颜色对血管的一般位置进行定位。然后，采用三种尺寸从整个切片图像的定位位置周围切割出小块，得到大量的patch，S={x1，x2···，xN}。
• 医生只需要给有限的贴片贴上标签
  
• 对于每个patch x，过分割(over-seg)的mask

  【论文笔记AAAI2021】——Edge-competing Pathological Liver Vessel Segmentation with Limited Labels相关推荐

  1. 论文笔记United adversarial learning for liver tumor segmentation

     联合对抗学习用于肝肿瘤分割和多模态非对比MRI检测 Medical Image Analysis 2021 Stage1:在这项研究中,提出一个联合对抗学习框架,UAL首先利用三个并行卷积通道进行多模 ...

  2. [论文笔记 ECCV2020] Learning to Count in the Crowd from Limited Labeled Data

     [论文笔记 ECCV2020] Learning to Count in the Crowd from Limited Labeled Data 摘要 Abstract 贡献 Contribution ...

  3. 论文笔记 SiamMask : Fast Online Object Tracking and Segmentation: A Unifying Approach

     论文连接:[1812.05050] Fast Online Object Tracking and Segmentation: A Unifying Approach 论文连接:[1812.05050 ...

  4. 论文笔记（七）ISOINTENSE INFANT BRAIN SEGMENTATION WITH A HYPER-DENSE CONNECTED CNNs

     论文地址:ISOINTENSE INFANT BRAIN SEGMENTATION WITH A HYPER-DENSE CONNECTED CNNs 摘要 提出超密集连接的3D卷积神经网络,该网络使 ...

  5. [深度学习论文笔记]Knowledge distillation from multi-modal to mono-modal segmentation networks从多模态到单模态分割的知识提取

     Knowledge distillation from multi-modal to mono-modal segmentation networks 从多模态分割网络到单模态分割网络的知识提取 MI ...

  6. 医疗图像论文笔记三：《HEp-2 Specimen Image Segmentation and Classification Using Very Deep Fully Convolutional》

     摘要: 论文提出了一种使用全卷积神经网络的模式识别系统,能同时完成人类上皮细胞样本图像的分割和分类问题.作者将残差网络ResNet改进为全卷积的的残差网络(fully convolutional re ...

  7. 论文笔记《Fully Convolutional Networks for Semantic Segmentation》

     [论文信息] <Fully Convolutional Networks for Semantic Segmentation> CVPR 2015 best paper key word: ...

  8. [深度学习论文笔记]UNETR: Transformers for 3D Medical Image Segmentation

     UNETR: Transformers for 3D Medical Image Segmentation UNETR:用于三维医学图像分割的Transformer Published: Oct 20 ...

  9. [深度学习论文笔记]Multimodal CNN Networks for Brain Tumor Segmentation in MRI

     Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS 2022 Challenge Solution MRI中用于脑 ...

  最新文章

  1. 【树的直径】解题报告： luogu P3629 [APIO2010]巡逻（树的直径，位运算成对变换，思维）
  2. Pygame：编写一个小游戏
  3. Oracle数据库相关
  4. 如何根据sessionID获取session解决方案
  5. 如何在官网中下载历史版本的火狐浏览器
  6. Java 字符串格式化 String.format()
  7. Delphi中对Jpeg格式文件的处理
  8. navicat如何配置链接mysql并且新建数据库设置字符集和排列规则
  9. poj 2649 Factovisors
  10. 关于我在黑马程序员培训毕业后的亲身体验
  11. 苹果logo_苹果LOGO起拍价2万美元？
  12. 如何用 Unity 编写像炸弹人一样的游戏
  13. 联想win7无法连接无线网络连接服务器,联想笔记本连不上wifi该怎么处理
  14. 《构建之法》学习总结1——软件工程概论，团队组织及管理，开发流程
  15. 关于欧几里得距离的一些解释
  16. Java编程思想总结篇（1-11章学习笔记）——第五章
  17. scala编程_Scala可以带回编程的喜悦吗？
  18. cbnet环境配置和运行中遇到的问题
  19. 深度学习中的归一化方法简介（BN、LN、IN、GN）
  20. 小程序开发框架WePY和mpvue使用感受

  热门文章

  1. OP320A 文本显器生产资料
  2. 运维智能报警灯之被动监听-使用SNMP Trap——简单操作，用途多多
  3. 史上最详细Lipreading using Temporal Convolutional Networks(MS-TCN)代码层面详解
  4. 此生不戒多巴胺-冲刺日志(第七天)
  5. Cisco C9800无线控制为什么要配置vty
  6. Android9 通过拨号键盘暗码打开app
  7. mbot机器人自动超声波模式程序_利用mBot智能机器人使用超声波传感器解决问题...
  8. MobaXterm配置与使用
  9. 华三 IRF的相关配置和注意事项。
  10. 输电杆塔导线地线比载计算，应力计算