Chen H, Dou Q, Yu L, et al. VoxResNet: Deep voxelwise residual networks for brain segmentation from 3D MR images[J]. NeuroImage, 2018, 170: 446-455.     香港理工大學

最近，用於訓練非常深的神經網路的具有剩餘單元的深度殘差學習提高了2D影象識別任務（例如，物件檢測和分割）的最新效能。然而，如何充分利用來自體積資料的識別任務的上下文表示尚未得到很好的研究，尤其是在醫學影象計算領域，其中大多數影象模態是體積格式的。在本文中，我們探討了體積腦分割任務的深度殘差學習。我們的工作至少有兩個主要貢獻。首先，我們提出了一種深度體素殘差網路，稱為VoxResNet，它借鑑了2D影象識別任務中的深度殘差學習的精神，並且被擴充套件為用於處理體積資料的3D變體。其次，通過將低階影象外觀特徵，隱式形狀資訊和高階上下文無縫整合在一起，提出了VoxResNet的自動上下文版本，以進一步提高體積分割效能。針對磁共振（MR）影象的大腦分割挑戰性基準的廣泛實驗證實了我們提出的方法在處理體積資料方面的功效。我們相信這項工作揭示了3D深度學習的潛力，以提高體積影象分割的識別效能。

Deng Y, Sun Y, Zhu Y, et al. DASN: Data-Aware Skilled Network for Accurate MR Brain Tissue Segmentation[J]. arXiv preprint arXiv:1807.08473, 2018.    清華深圳研究所  ---對比VoxResnet

MR腦組織的準確分割是診斷，手術計劃和腦異常治療的關鍵步驟。需要自動可靠的分段方法來協助醫生。在過去幾年中，深度學習尤其是深度卷積神經網路（CNN）已成為各種訊號中影象識別問題最突出的方法之一。但深度網路的改進總是需要靈感，這對普通人來說是罕見的。到目前為止，已經有了合理的MR腦組織分割方法，所有這些方法都能達到很好的效果。這些不同的方法具有各自的特徵，並且與資料集不同。換句話說，不同模型的效能在相同的資料集上變化很大，每個模型都具有熟練的功能。正是在此基礎上，我們提出了一種區分不同模型擅長的資料集的判斷。利用我們的方法，可以在現有模型的基礎上輕鬆提高分割精度，既不增加訓練資料也不改善網路。我們在廣泛使用的IBSR 18資料集上驗證了我們的方法，並且獲得的平均骰子比率為88.06％，而當僅使用單獨的一個模型時，它們分別為85.82％和86.92％。

Sun Y, Deng Y, Xu Y, et al. A Multi-channel Network with Image Retrieval for Accurate Brain Tissue Segmentation[J]. arXiv preprint arXiv:1808.00457, 2018.

磁共振成像（MRI）廣泛應用於大腦的病理和功能研究，如癲癇，腫瘤診斷等。自動準確的腦組織分割，如腦脊液（CSF），灰質（GM），白質 （WM）是這些研究的基礎，許多研究人員正在尋求最好的研究。 基於具有其自身基本事實的多通道分割網路實現高達平均骰子比率0.98的事實，我們提出了一種新方法，我們新增第四通道，其具有CBIR從資料庫獲得的最相似影象的基礎事實。 結果表明，該方法在MRBrainS18資料庫中通過平均骰子比率測量的分割效能提高了約0.01。 此外，我們的方法簡潔而強大，可用於任何不需要大量修改的網路架構。

MRI是一種重要的現代醫學成像技術。與其他醫學成像技術相比，它具有軟組織成像的高解析度，對人體無輻射損傷和多方向成像的優點。由於這些優點，MRI廣泛用於大腦的病理學和功能學研究，例如研究大腦的工作機制和神經疾病，包括癲癇，阿爾茨海默病和多發性硬化症。 MR腦組織的準確分割是這些研究，診斷和治療的基礎。但人工細分是耗時的，取決於有經驗的醫生，這是臨床上的一個痛點。因此，準確的MRI腦組織自動分割對於輔助診斷非常重要。與自然影象相比，MRI腦組織具有一些特殊功能。首先，不同的軟組織可能具有相似的灰色資訊，例如，小腦和WM之間的灰色資訊是相似的。其次，不同組織的面積差異很大。第三，不同的組織基礎事實在不同的方式上被分割，例如，在FLAIR掃描中對WM病變進行分割，在T1掃描中對GM進行分割。最後，人腦組織的結構相對固定，因此不同影象之間的紋理資訊具有相似性。

由於腦組織分割的重要性，已經開發了許多方法來實現文獻中的準確分割效能。從廣義上講，它們可以分為兩類：1）具有手工製作功能的傳統方法。這些方法通常使用手工製作的引數並獲得較差的結果，例如基於強度的閾值處理[3]，模糊c均值聚類[8]，具有空間和強度特徵的支援向量機（SVM）[9]。這些方法具有有限的表示能力以進行準確識別。 2）具有自動學習功能的深度學習方法。這些方法基於2D [11]或3D [2] CNN來實現分割。這些方法中的一些已經報道了MICCAI MRBrainS13攻擊資料庫[2,1]的最新效能，具有1種形式（T1）或3種形式（T1，T2-FLAIR，T1-IR）。然而，這些方法不利用先驗固定的大腦紋理資訊。為了充分利用先驗的固定腦紋理資訊，我們提出了一種新方法，它結合了CBIR [15,13,​​6,7]和多通道分割CNN網路結構，以提高效能，實現更好的分割結果。我們將每個切片與資料庫中最相似影象的基本事實相匹配，作為第四個通道（其他3個通道由T1，T2-FLAIR，T1-IR影象組成。我們的方法簡潔有效，可以整合到任何一個現有的網路架構沒有太大變化。我們對包括CSF，GM，WM，腦幹和小腦在內的5種組織進行了分割，但只評估了前三類。