Deep Segmentation-Emendation Modelfor Gland Instance Segmentation文献学习笔记（无代码）-仅自用

本人小白一个，只是学习记录，有任何问题欢迎指出

问题所在

1.良性和恶性腺体形态的异质性使得从背景中很难区分腺体

2.相邻腺体之间的微小间隙使每个腺体与其他腺体的分离变得更加困难

前人所做

（在deep convolutional neural networks (DCNNs)基础上）

Chen, H., Qi, X., Yu, L., Heng, P.A.: DCAN: deep contour-aware networks for
accurate gland segmentation. In: CVPR, pp. 2487–2496 (2016)

1.提出了一种多任务深度神经网络，该网络利用多层次的背景特征将腺体从背景中分离出来，并利用轮廓信息来描绘单个腺体

Graham, S., et al.: MILD-Net: minimal information loss dilated network for gland
instance segmentation in colon histology images. Med. Image Anal. 52, 199–211 (2019)

2.提出了一个信息损失最小的扩展网络，在特征提取过程中保留最大的信息，旨在提高单个腺体的分割。

Xu, Y., et al.: Gland instance segmentation using deep multichannel neural net-
works. IEEE Trans. Biomed. Eng. 64(12), 2901–2912 (2017)

3.开发了一个深度的多通道网络，使用三个通道分别学习腺体区域、轮廓和位置线索，以分割腺体和单独的腺体。

Yan, Z., Yang, X., Cheng, K.-T.T.: A deep model with shape-preserving loss for
gland instance segmentation. In: Frangi, A.F., Schnabel, J.A., Davatzikos, C.,
Alberola-López, C., Fichtinger, G. (eds.) MICCAI 2018. LNCS, vol. 11071, pp.
138–146. Springer, Cham (2018). https://doi.org/10.1007/978-3-030-00934-2 16

4.提出了一种保持形状的损失来同时学习腺体分割和轮廓检测

总结：改进分割模型1.设计先进的网络架构2.定义新的损失3.并补充额外的轮廓检测模块

该文所讲

segmentation-emendation (DSE)模型：segmentation network (Seg-Net) +  emendation network(Eme-Net)

1. 用Eme-Net补充Seg-Net，它能够预测隔离网导致的过度和不足的分割;

2.利用这种预测来修正由segnet产生的分割结果

Si （MaskSegand ）和ˆSi （segmentation ground truth）

0代表预测很精确，无需进行校正

1细节分割不足

2细节分割过度

损失函数

结果对比

 

结果显示