医学图像比赛记录

知识积累：
期刊TMI:IEEE Transactions on Medical Imaging MIA:Medical Image Analysis

会议MICCAI:International Conference on Medical Image Computing and Computer Assisted Intervention9-10月
IPMI：Information Processing inMedical Imaging (两年一篇）
IEEE International Symposium on Biomedical Imaging(每年4月）
SPIE Medical Imaging(每年2月）

网站：grand-challenge.org
采用的方法3D Unet + Residual Block(V-net)
经典网络UNet、Vnet
关键步骤在于图像的预处理：
1、图像重采样
2、灰度值的cut off,考虑器官的窗宽窗位，Z-score是常见的灰度值标准化方法，能避免网络权重初始化的时候产生明显的bias(所有样本能归到分类面的同一侧

比赛分割可参考的论文：http://results.kits-challenge.org/miccai2019/manuscripts/Isensee_1.pdf

2019年肝肿瘤分割的最高标准https://arxiv.org/pdf/1901.04056v1.pdf

未来发展，医学图像分割在医疗AI领域的发展，基于深度学习的方法相比与传统的主动形状模型，水平集、图割等方法有i很大的优势

工具：
配准：SimpleElastix
数据集: sfikas/medical-imaging-datasets
ITK-SNAP
3D Slicer
实际意义上的分割，无论是对肝脏还是肿瘤，最重要的是解决问题，解决问题的前提 脚踏实地扎实基础