文章目录

Dual-branch residual network for lung nodule segmentation（CVPR2019）
Attention Guided Network for Retinal Image Segmentation（MICCAI 2019）
SOFT LABELING BY DISTILLING ANATOMICAL KNOWLEDGE FOR IMPROVED MS LESION SEGMENTATION（ISBI 2019）
Accurate Weakly Supervised Deep Lesion Segmentation on CT Scans: Self-Paced 3D Mask Generation from RECIST

Dual-branch residual network for lung nodule segmentation（CVPR2019）

双分支残差网络（DB-ResNet），集成了两种新方案，以提高模型的泛化能力：1）提出的模型可以同时捕获CT图像中不同结节的多视图和多尺度特征；2）我们结合了强度和卷积神经网络（CNN）的特征。我们提出了一种池化方法，称为中央强度池层（CIP），提取块的中心体素的强度特征，然后使用CNN获得块的中心体素的卷积特征。另外，我们设计了基于结节边界的加权采样策略，以使用加权得分选择那些体素，以提高模型的准确性。所提出的方法已在包含986个结核的LIDC数据集上得到了广泛的评估。实验结果表明，DB-ResNet在数据集上的平均骰子得分达到82.74％，具有出色的分割性能。此外，我们将我们的结果与同一数据集上的四位放射科医生的结果进行了比较。比较表明，我们的平均骰子得分比人类专家高0.49％。

方法：rescaled to the same size of 35×35（multi-scale branch ）

中央强度池层（CIP）

Attention Guided Network for Retinal Image Segmentation（MICCAI 2019）

AG-Net中，导引滤波器被用作结构敏感的扩展路径，以传递先前特征图的结构信息，并且引入了注意块以消除噪声并进一步减少背景的负面影响。对两个视网膜图像分割任务（即血管分割，optic disc and cup视盘和杯状分割）的大量实验证明了我们提出的方法的有效性。

SOFT LABELING BY DISTILLING ANATOMICAL KNOWLEDGE FOR IMPROVED MS LESION SEGMENTATION（ISBI 2019）

目的： 使用soft ground-truth mask (“soft mask”) to train a Fully Convolutional Neural Network (FCNN) for segmentation of Multiple Sclerosis (MS) 多发性硬化
lesions.

Summary
写完笔记之后最后填，概述文章的内容，以后查阅笔记的时候先看这一段。注：写文章summary切记需要通过自己的思考，用自己的语言描述。忌讳直接Ctrl + c原文。

Research Objective
使用soft ground-truth mask (“soft mask”) to train a Fully Convolutional Neural Network (FCNN) for segmentation of Multiple Sclerosis (MS) 多发性硬化lesions.

Method(s)

通过3D形态学扩张。病变在FLAIR（磁共振成像液体衰减反转恢复序列）图像中显示为高强度区域[9]，我们从扩张区域中排除了FLAIR强度值低于定义阈值的体素。
从扩张区域中选择的体素被赋予软标签0 <γ<1，这被解释为体素成为病变一部分的概率。在实验部分，我们分析了γ的最佳值。

其中Ti是体素i的真实值，Pi是体素i的预测概率。通过将扩张区域的二进制掩码表示为矩阵D，将分配给扩张区域体素的软标记表示为γ，我们可以将软标记掩码表示为T +γD

（之前类似的想法：提供新的可选择的评价标准，如M-dice，定义新的交

）

Conclusion
ISBI 2015 MS

we proposed a new loss function .We defined a soft labeled mask
(that is assigned to voxels which are similar to the ground truth in both location and intensity. These voxels are usually near contour regions and tend to be labeled differently by different experts.)

Accurate Weakly Supervised Deep Lesion Segmentation on CT Scans: Self-Paced 3D Mask Generation from RECIST

【论文阅读】医学图像分割相关推荐

[深度学习论文笔记]医学图像分割U型网络大合集
[深度学习论文笔记]医学图像分割U型网络大合集 2015 U-Net: Convolutional Networks for Biomedical Image Segmentation (MICCAI ...
论文阅读笔记--医学图像分割[上下文金字塔融合网络]
CPFNet: Context Pyramid Fusion Network for Medical Image Segmentation--用于医学图像分割的上下文金字塔融合网络一摘要二.研究 ...
【论文研读】【医学图像分割】【BCRNN】Fine-grained Recurrent Neural Networks for Automatic Prostate Segmentation ...
[论文研读][医学图像分割][BCRNN]Fine-grained Recurrent Neural Networks for Automatic Prostate Segmentation inUl ...
论文阅读—图像分割方法综述(二)（arXiv:[cs:cv]20200410）
上一篇章,主要介绍了目前图像分割领域常用的基础网络结构,以及总结了十大图像分割算法,本节继续介绍剩余算法. 论文阅读-图像分割方法综述(一)(arXiv:[cs:cv]20200410) 论文阅读-图 ...
论文阅读—图像分割方法综述(三)（arXiv:[cs:cv]20200410）
前面介绍了分割领域常用网络架构及其相应的分割模型,本节主要介绍一些最受欢迎的图像分割数据集及其特征.此外还有评估基于深度学习的分割模型的常用指标.并报告了这些模型的定量结果和实验性能. 系列回顾论文 ...
【每周CV论文推荐】GAN在医学图像分割中的典型应用
欢迎来到<每周CV论文推荐>.在这个专栏里,还是本着有三AI一贯的原则,专注于让大家能够系统性完成学习,所以我们推荐的文章也必定是同一主题的. 生成对抗网络是一项非常基础的技术,医学图像则 ...
【文献阅读】医学图像分割中的loss函数选择-Loss odyssey in medical image segmentation loss
参考文献:Loss odyssey in medical image segmentation loss 函数代码库 github-SegLoss 本文在四个典型的三维分割任务上对20个一般的损失函数 ...
【医学图像分割】读论文系列 1
[医学图像分割]读论文系列 1 文章目录 [医学图像分割]读论文系列 1 Title Introduction Abstract Keyword Method Experiment Conclusio ...
【半监督医学图像分割 2022 MICCAI】SCS 论文翻译
文章目录 [半监督医学图像分割 2022 MICCAI]SCS 论文翻译摘要 1. 简介 2. 方法 2.1 半监督框架概述 2.2 监督局部对比学习 2.3 下采样和块划分 3. 实验 4. 结论 ...
【半监督医学图像分割 2023 CVPR】UCMT 论文翻译
文章目录 [半监督医学图像分割 2023 CVPR]UCMT 论文翻译摘要 1. 介绍 2. 相关工作 2.1 半监督学习 2.2 半监督分割 2.3 不确定性引导的半监督语义分割 3. 方法 3. ...

【论文阅读】医学图像分割