Semi-supervised Learning for Network-Based Cardiac MR Image Segmentation文章解读

    本文针对全卷积神经网络有大量的参数，同时伴随着需要大量的训练数据集，然而由于医学图像的特殊性，如此大量的有标签数据不好提供，因此本文的贡献点之一是缓解了数据集少的问题。在公式2的目标函数中，通过引入右边第二项来定义这个半监督的优化问题；对于网络优化，这是本文的精髓所在：

a.固定网络参数，采用此时的网络去评估未知数据的标签

b.第二步，未知数据的标签采用第一步评估的结果固定，然后采用已标注的标签数据和这个未知数据的预测标签去训练网络

    对于网络的训练，首先用已知标签数据对网络经过一定数量的迭代的网络参数作为网络的初始参数；步骤a的执行，本文增加了一个技巧就是通过引入一个条件随机场CRF来对softmax预测的概率图进行精细的分割，然后将其当做未知数据的标签；这样步骤1和2交替执行，网络参数在不断的优化，所以对未知数据的预测结果也会变得越来越好；经过一段时间的训练，网络能够达到一个较优的效果。

    本文采用的网络基本架构是VGG-16，和DeepLab结构比较相似；主要的不同点就是DeepLab的输出是比原始图像8倍的下采样；同时网络中将不同层的多尺度特征map通过不同尺度的上采样来还原到原始图像的尺寸，然后将这些和原始图像同样尺寸特征map通过concatenation的关联层进行组合为单层输出，最后使用1*1的卷积核对该输出的map进行卷积来得到softmax的概率图谱；

摘要：

由于对于医学图像的标注费时费力，因此本文提出一种半监督的学习方法；

并且这个方法比最好的多图谱的方法分割效果和速度上都有改进；

1引言

我们知道全卷积神经网络有大量的参数，同时伴随着需要大量的训练数据集，然而由于医学图像的特殊性，如此大量的有标签数据不好提供，因此本文的贡献点之一是缓解了数据集少的问题。