医学图像分割

论文：Medical Image Segmentation Using Deep Learning: A Survey

参考：[医学图像分割综述] Medical Image Segmentation Using Deep Learning: A Survey-CSDN博客

一、背景

• 特征表示的困难：模糊、噪声、对比度低--->CNN
• 属于语义分割（对图像进行像素分类）的范畴：

  • 语义分割（Semantic Segmentation）：语义分割的目标是将图像中的每个像素分配到一个类别。它关注的是类别，而不区分同一类别中的不同个体。例如，在一幅街景图像中，语义分割会将所有的“车”像素标注为“车”类别，而不区分这些车是不同的个体。

  • 实例分割（Instance Segmentation）：实例分割不仅将每个像素分配到一个类别，还要区分同一类别中的不同个体。它结合了目标检测和语义分割的特点。例如，在一幅街景图像中，实例分割不仅会标注出所有的“车”，还会区分这些车是不同的个体，给每辆车一个唯一的标识。

二、监督学习 

1.网络骨干

1）U-Net

参考：U-Net网络结构讲解(语义分割)_哔哩哔哩_bilibili

通过跳跃连接，将低分辨率和高分辨率的特征图结合起来，有效地融合了低分辨率和高分辨率的图像特征。

2）3D-Net

全篇为[医学图像分割综述] Medical Image Segmentation Using Deep Learning: A Survey-CSDN博客的笔记~

3D U-Net仅包含3次下采样，不能有效提取深层图像特征，导致医学图像分割精度有限。与3D-UNet相比，V-Net利用残差连接设计更深层次的网络(4次下采样)，从而获得更高的性能。

3