MMWHS-文獻閱讀（影象分割）
（）一、 https://github.com/xy0806/miccai17-mmwhs-hybrid
Paper: Hybrid Loss Guided Convolutional Networks for Whole Heart Parsing （MICCAI 2017）
1、遷移學習
使用C3D模型中引數
2、分層深層監督
增加幾個分層的側面路徑，從而縮短梯度流的反向傳播路徑，並將淺層暴露給更直接的監督。
3、損失函式
Hybrid Loss ：
二、Bayesian VoxDRN: A Probabilistic Deep
1、我們將[12]的擴張殘差網路(dilated residual network)（DRN ）(CVPR 2017 )（以前僅限於2D影象分割）擴充套件到3D體積分割;
2、我們引入了包含多個丟失層的新型架構來估計模型的不確定性，其中單元在訓練期間隨機失活以避免過度擬合。 在測試中，體素標籤的後驗分佈通過具有輟學的多個預測的蒙特卡羅取樣來近似
3、 combine focal loss with Dice loss,
4、我們引入迭代切換訓練策略來交替地優化二進位制分割任務和多類分割任務以進一步提高準確度
三、
Multi-Label Whole Heart Segmentation Using CNNs and Anatomical Label Configurations Heart Parsing
（lMICCAI MM-WHS Challenge Best Paper Award）
在這項工作中，提出了一個深度學習框架，用於體積影象的全自動多標記分割。 第一個卷積神經網路（CNN）圍繞所有心臟子結構定位邊界框的中心。 基於該邊界框，第二
1、Localization CNN
我們使用熱圖迴歸使用類似U-Net的完全卷積CNN [8,5]執行地標定位 [10,7,6]，訓練以迴歸所有心臟子結構分割周圍的邊界框的中心。
2、Segmentation CNN:
使用了最初為地標定位提出的完全卷積端到端訓練的SpatialConfiguration-Net(空間佈局網路)的改編[6]
四、空間佈局網路
Regressing Heatmaps for Multiple Landmark Localization Using CNNs(MICCIA 2016)
三步：
1、三層卷積，生成和ladmarks相同數量的通道數目
2、預測Hi,通過其他的landmarks與K卷積
3、再相乘
介紹完空間佈局網路，再看Segmentation CNN
1、類似U-Net的架構[8]具有與標籤一樣多的輸出，生成中間標籤預測。對於每個輸出體素，使用S形啟用函式來限制0和1之間的值，即一個體素可能預測的所有標籤的概率。
2、在第二階段，網路將這些概率轉換為其他標籤的位置，從而允許網路通過抑制不可行的中間預測來學習可行的解剖標籤配置。由於其他標籤的估計位置不準確，在此階段我們可以對U-Net的輸出進行下采樣，以減少記憶體消耗和計算時間，而不會失去預測效能。連續卷積層將這些下采樣標籤預測轉換為其他標籤的估計位置。對輸入解析度進行上取樣會導致變換後的標籤預測，這完全基於其他標籤的中間標籤概率。
3、在最後階段，將來自U-Net的中間預測與變換後的預測相乘得到組合標籤預測。
在沒有任何進一步後處理的情況下，選擇每個體素的標籤預測中的最大值是最終的多標籤分割