Jingyang.Zhang的博客

论文来源：Liu, Quande, Qi Dou, and Pheng-Ann Heng. “Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains.” In International Conference on Medical Image Computing and Computer-Assisted Intervention, pp. 475-485. Springer, Cham,

1. 顾名思义Synapses 是神经元的突触，在人脑中负责连接不同神经元结构。Hebb’s rule 表示在脑生理学中，突触连接常常满足 “Fire Together, Wire Together”，即同时被激活或者同时失活。所以不同的任务对应潜在的不同突触——不同的记忆，因此选择激活或者改变某些神经元突触即可称为 Memory Aware Synapses (MAS)。在基于深度模型的终身学习任务中来说，可以通过计算网络中神经元的重要性，来选择保持重要的神经元在终身学习过程中相对不变，而不重要的神经

文章出处 Shaban, Amirreza, et al. “One-shot learning for semantic segmentation.” arXiv preprint arXiv:1709.03410 (2017).One-Shot Semantic Segmentation 问题定义当 测试集中出现新类（不包括在训练集中），同时在测试集中仅仅 给定该新类的一张图片和对应语义分...

形状一致的生成对抗网络 SC-GAN —— 无监督域适应文章原文：Yu, Fei, et al. “Annotation-Free Cardiac Vessel Segmentation via Knowledge Transfer from Retinal Images.” International Conference on Medical Image Computing and Comp...

刚刚结束的 MICCAI2019 会议的论文集分为6个部分，这段时间刷了一遍 Part I，在这儿和大家做一个简单的分享交流。由于本人主要专注于分割领域和半监督弱监督等学习策略，下面给出的综述可能多涉及该方向。选出的文章主要突出其中的闪光点，如果感兴趣还望各位移步 link 官网获取原文。如果阐述有误也欢迎大家拍砖指教。为话不多说，直接开始。1. Dual Encoding U-Ne...

用于医学图像分割的数据增强方法 —— 标准 imgaug 库的使用方法前言 —— imgaug 库简介在机器学习算法尤其是 deep learning 盛行的如今，数据增强是实现深度学习不可避免的一个重要环节。相比于 tensorflow 或者 pytorch 自带的数据增强库而言，基于 imgaug 库的数据增强具有更加友好的 API 和更加丰富的功能。下面主要介绍在医学图像分割算法中，i...

Motivation传统的基于深度学习的交互式分割框架利用前向传播得到的结果，还是存在一定的偏差（比如交互部位在最后的分割结果中依然会被分割错）。因此提出 backpropagating refinement scheme 进行修正。注意：这里的 backpropagating 不是用来训练模型参数的，而是用来修正 annotation map 的。算法流程Training phas...

在基于深度学习的图像分割中利用持续同调引入显式拓扑学约束Motivation目前主流的图像分割框架都是类似全卷积方式的多尺度框架(U-Net等), 虽然他们能够利用图像邻域关系来辅助逐像素的分割,但是损失函数依然只独立地考虑每个像素点, 并不能考虑高阶的拓扑学结构. 因此往往会导致即使有比较低的逐像素的loss, 然是会造成拓扑学结构的改变, 从而带来分割结果的显著恶化(断裂或空洞等现象). ...

关于Fully Convolution Network的一些细节介绍可以参考博主的另一篇文章：http://blog.youkuaiyun.com/jyzhang_cvml/article/details/79451749. 随着FCN提出，在2015年医学图像处理顶会MICCAI上，Olaf Ronneberger 设计了名为 U-Net 的医学图像分割网络。作者在文章中表示该网络具有两大优势：（1）在较少的

最近心血来潮了解了一波 Graph-cut 和 geodesic segmentation 分割算法。翻阅了整个中文区域的博客发现鲜有人讲解 geodesic segmentatio 。索性将自己的一些见解写成这篇博客和大家交流。本文把 geodesic segmentation 和 graph-cut 串联在一起希望帮助大家理解。 具体 graph-cut 相关内容网上很多人都有介绍，在此不再赘述

关于数学形态学的基本操作 Dilation, Erosion, Closing 和 Opening 操作在此不再赘述，各种博文满天飞。这篇博客简要介绍一下当前一种比较新的 Mathematical Morphology 操作 —— Path Operator 和 RoRPO。1 . Concept需要注意的，我们所提及的所有滤波器都是 Oriented Filter ，直观理解就是这种滤波器是具有特

初见 —— Atlas-based segmentationAtlas 的中文翻译很贴切且形象，所谓“地图集”，直观来说，Atlas 就是人工标记完备的数据库。比如 BrainWeb 的 Atlas：在三维脑部CT数据中医生标注完备的各种脑部结构，如灰质、白质、海马等等结构。 最早的 Atlas-based segmentation 是基于 nonrigid registration 技术，