MICCAI2017分割文章核心框架整理

1.A Fixed-Point Model for Pancreas Segmentation in Abdominal CT Scans1.

        摘要：深层神经网络已被广泛应用于从腹部CT扫描中自动化器官分割。但是，细分一些小器官（例如胰腺）有时它准确度低于满意度，可以说是因为深层网络容易由复杂和可变的背景区域占据大部分输入区域而被影响。在本文中，我们解决这个问题通过使用预测分割掩模的定点模型缩小输入区域。这是由于一般一个更小的输入区域通常导致更准确的分割。在训练过程中，我们使用真实标签注释来生成准确的输入区域和优化网络权重。在测试阶段，我们固定网络参数和以一种迭代的方式更新分割结果。我们在NIH胰腺数据机上评估本文的方法优于现有技术。

2.算法框架

 2.1 算法迭代

3 分割结果

 

二.

Semisupervised Learning for Biomedical Image 

Segmentation via Forest Oriented Super 

Pixels(Voxels) 

本文的代码MATLAB开源

       摘要：在本文中，我们重点关注生物医学的半监督学习图像分割，以利于巨大的未标记数据。我们观察到通常在生物医学图像中存在一些均匀的连接低置信度区域，往往会混淆分类器训练有限的标签样本。为了应付这个困难，我们提出构建面向森林的超像素（体素）来增强

标准随机森林分类器，其中超像素（体素）建立在基于森林的代码上。与最先进的技术相比，我们提出的方法在挑战性上表现出优越的分割性2D / 3D生物医学图像。全面实现（基于Matlab）可从https://github.com/lingucv/ssl superpixels获取。

2 方法框架

3 分割结果

 三 Automatic Quality Control of Cardiac MRI Segmentation in Large-Scale Population Imaging