Progressive and Multi-path Holistically Nested Neural Networks的解读

        本文的经典之处是采用逐步细化分割结果，通过将中间的预测输出和下层的输出融合策略来达到精细分割目标的目的。

        本文方法适应了高效的整体嵌套网络（HNN）的深度学习架构[17]。为了克服HNN输出模糊性和FCN粗分辨率的问题，本文引入了一个简单、强大的多路径增强。不像其他多路径的方法[1,7,10]，使用复杂的粗略到精细分割的路径，我们选择对多尺度路径的进化约束，并且不需要额外的卷积层或网络参数。这个方案是一个有效和简单的病理性肺部分割方法，本文称之为渐进整体嵌套网络（P-HNN）。

        HNN模型最初称为整体嵌套边界检测，是FCN的一种，本文的HNNs基于标准的CNN模型加入batch normalizaiton模块。 HNN将基于深度监督的概念推广到FCNs，这是一种基于更深层次可以访问更高级别的抽象特征，但是尺度等级较粗糙。如图1的绿色箭头所示，HNN的新颖性是通过深度监督来指导训练，通过在中间阶段计算输出和其损失。HNN也合并来自不同的网络阶段的预测，允许不同的级别和尺度贡献到最后的结果。

We share our tool online for researchers' use and testing1.

本文开源了代码或者集成的工具

        医学影像上病理性肺组织由于其外观、形状的变动性，对其有效的分割具有很大的挑战性。因为病例肺组织的分割通常是其他图像分析的先决条件，方法简单性和通用性是可用性的关键因素。基于本原则，本文提出了一种自下而上深度学习的方法，其表现力足以处理病理性肺部外观上变化，同时保持不受任何形状变化的影响。我们纳入了深度监督的学习框架，但是通过简单而有效的渐进多路径方案来增强它，其更可靠地将来自不同网络阶段的输出合并。该结果是一个深刻的模型，能够生产更精细的分割掩模，我们称本框架为渐进整体嵌套网络（P-HNN）。使用广泛交叉验证的方法&#