基于像素聚类的分割方法基于slic的方法_基于BESNet的组织病理学图像中细胞边界分割提升方法...

论文题目：BESNet Boundary-Enhanced Segmentation of Cells in Histopathological Images
论文地址：BESNet Boundary-Enhanced Segmentation of Cells in Histopathological Images

核心内容

• 提出了一种类似于Unet的结构，但是设置了两条解码路径用来提升对细胞边界分割的精度
• 在loss上做文章，自适应的调整权重，对边界分割较为困难的地方，进行更好的训练

idea的动机

• 图像分割中经常会出现边界分割不准确的情况，作者想要通过自适应修改loss权重的手段，有针对性的对这些分割不准确的区域进行更好的训练

网络结构

• 网络结构的核心思想：训练目标细胞的边界，并利用它们的响应自适应加权整个细胞分割的训练损失。这使得能够在训练中对目标细胞较困难的部分施加更大的权重。
• 论文所提出的结构其实很好理解，与传统Unet还是有些不一样的是这边是4层，而传统的Unet是5层，并且每一层的features的数目和Unet不一样，我感觉这边作者去除最后一层的目的在于减小参数量，论文最后也有说这种结构所导致计算量比原始Unet来的多。
• BDP的输出是一张概率图，需要注意的是BDP训练采用的图片和MDP的图片不一样，BDP是细胞边界图片(只是标记了细胞边界即空心)，而MDP采用的是实心的图片。
• 这边作者在结构上采用了两种跨通道连接方式，一种是summation，另一种是concatenation,我其实并不很理解这两种跨通道连接方式的区别（我感觉没太大区别）。

Loss

• 在这篇文章中，作者分别对两条路径采用了不同的loss,紧接着的下面这个loss对应的BDP路径的输出，这个loss的目的在于学习边界的前景像素有多难

• 从上面BDP loss能看出其实就是无任何修改的categorical_crossentropy loss,BDP 的输出通常在边界处表现良好，但在不太清晰或具有罕见外观类型的边界处可能会变低。这意味着BDP概率输出低的边界特征难以通过网络进行训练。为了解决这个问题，作者想到了，通过自适应加权MDP分支的损失函数，MDP对这些难以分辨的部分进行加强的训练，下面这个loss就是作者提出来的，也是本文的创新点之一：

• 其中b(x)就是BDP的输出，还有就是这边还有两个超参数需要调节（嗯。。。有点烦）。

实验结果

• 作者从Detection和Segmentation两方面来讨论自己提出的方法，下面是分别的结果
• Detection

• Segmentation

• 更为细节的结果

一些感悟

• 这篇文章提出的加权重的loss与其他论文提出加权重的loss不同的是，这篇文章的loss是像素级的，也就是每个像素给的loss可能是互不相同的。
• 我其实感觉作者作者所作的对比实验有点少，并且与之对比的是原始的Unet，Unet是2015年提出来的，结构也有些老。

其他

• 刚入坑深度学习的新人，有什么写的不对的地方欢迎鞭策！！！