已读论文记载（一）

为了将读过论文中的一些思想简单记下来，方便以后查看，所以准备以后读完一些论文就在博客上面简单记录下其中的主要思想和自己的一些感悟，希望可以整理为一个系列，也能为其他人提供一点帮助。

Segmentation of retinal blood vessels using the radial projection and semi-supervised approach(Xinge You,2011)：使用了可操纵的复杂小波变换来提供对应不同尺寸血管更好的血管增强技术。

Segmentation of image ensembles via latent atlases(Tammy Riklin-Raviv,2010):类似于概率图一样的空间先验信息对于MRI分割很有意义，一个手动分割初始化一个地图集。the algorithm is based on probabilistric principles but is solved using partial differential equations and energy minimization criteria.

Semi-supervised learning for refining image annotation based on random walk model(Dongping Tian(2014):使用gaussian mixture model和random walk method两个方法来改善图像标记的效果。使用TSVM（transductive support vector machine)来增强训练数据的质量，然后使用GMM作为一种半监督学习来学习图像标记关键词的后验概率。Followed by a random walk process over the constructed label graph is implemented to further mine the correlation of the candidate annotations so as to capture the refining results,which plays a crucial role in semantic based image retrieval.

Robust skull stripping using multiple MR image contrasts insensitive to pathology (Snehashis Roy ,2017):介绍了一种在病理和健康人的MR图像中自动去除颅骨的方法。

Interactive prostate segmentation using atlas-guided semi-supervied learning and adaptive feature selection(Sang Hyun Park,2014):（感觉这篇文章写的还不错）主要是讲了作者提出的一种自动修正自动方法分割的前列腺结果，让其可以运用在临床上。However,manual segmentation from 3D CT images is very time-consuming and often causes large intra- and interobserver variations across clinicians.使用一些简单的勾勒和点可以交互式快速改善自动分割的效果。作者把这个问题看成一个利用训练数据的先验信息和用户交互中产生的有用信息的半监督学习问题，通过投票可以建立confident voxels和unconfident voxels。具体流程是：训练集训练后得到一个自动分割结果，用户可以对其进行手工的修正，使用手工修正结果在训练集中选出参考标签，通过这些reference training labels可以得到一个probabilistic label map，然后得到confidence region和un-confidence region，在对confidence region进行特征选择得到3D Haar features，随后将特征依次送入Regression forest,Fisher separation，在半监督学习(并不像传统方法，直接输入的是图片的亮度和标签信息)中经过一个Laplacian regularized least square得到最终修正结果。

In the atlas-based approach,the relevant training images and labels are first aligned to the target image and then used to determine the labels with voting schemes or estimation algorithms. 我感觉就是多个训练图片的信息得到一个目标图片，通过某种投票或者建立算法来使用训练图片得到一个标签集完成分割，这个标签集尽量综合了各种训练图片的信息，具有普适性。These methods are intuitive and easy to be applied to various image modalities,but they often cannot deal well with large shape or appearance changes of the prostate across different subjects.除了atlas-based方法外，还有model-based,feature-based classification,

However,all these methods(GrabCut等修正分割结果的方法) still rely on the image appearance features,without utilizing prior knowledge from the trainging data.还有一些方法利用到了先验知识，他们使用相似patch的标签信息来约束可能的variations.

修正部分有三步：第一步是根据用户的标记和之前的分割结果，从训练数据中选取靠近用户标记部分的合适训练数据标签，根据此来建立confident and unconfident regions.第二步是选取能够在confident regions中区分前列腺和背景的informative特征。第三步是将标记问题转化为一个使用流型正则化的半监督学习问题，在半监督学习中分别把confident和unconfident体素看做已标记和未标记的体素，用已抽取的特征来定义像素间的相似度，使用confident体素的似然来预测unconfident区域的标签。

个人感觉本文就是尽量从用户的交互操作中抽取更多信息（选出uncongident区域），定下一个修正的原则，然后不停的让用户进行交互来修正其中错误部分，重点在于这个修正的原则使得修正的过程是收敛的并且修正时间尽量短。