学习 & 分享 ~

论文地址：https://arxiv.org/abs/1906.02421，MICCAI 2019解决的问题基于 Extreme Points 设计先验信息，辅助分割网络提升训练性能。论文亮点方法描述Backbone：ResNet101 和 PSP module。去掉了网络最后的全连接层和两个最大池化层，将带孔卷积用在 resnet 最后两层，然后加入 PSP 模块获取全局信息。1. 方法流程：在 inference 过程中，将计算出的 Confidence Map 输入 CNN 网络中，如下图 (b)：

Medical ultrasound 医学超声。基于超声的诊断成像技术。通过将超声波脉冲发送到组织中，根据不同反射特性的组织回波，从而被记录为图像。就好比挑西瓜，一边敲一边听声音判断是否熟了。超声诊断法可分为 A 型、B 型、M 型及 D 型四大类。其中 B 型超声（B 超） 常用于妇产科、泌尿、消化及心血管等系统疾病的诊断。优点：Magnetic Resonance Imaging（MRI）磁共振成像。具有多种多样的成像序列，能够产生各具特点的 MR 图像。CT 可做横切面检查，而 MRI 可做任

论文：《DeepIGeoS: A Deep Interactive Geodesic Framework for Medical Image Segmentation》TPAMI，2017目前的问题现在的交互式分割虽然可以得到更精确的分割结果，但需要人做出大量的交互，所以用户的负担仍然很大，而一个好的交互式分割方法应该尽可能少地需要用户进行操作。一些分割方法一开始就需要用户提供交互点，而 DeepIGeoS 让用户只需要在分割结果的错误区域提供交互，因此更省时高效。在交互式分割方面：为了解决第 3 个问题，

《Interactive Medical Image Segmentation using Deep Learning with Image-specific Fine-tuning》