Study Group Learning: ImprovingRetinal Vessel Segmentation Trained with Noisy Labels学习笔记（有代码）-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.需要大量的相关专家参与到繁琐的任务中

2.针对视网膜血管疾病，能够提供高质量的增强图像，以获得更好的可视化，并从复杂的、有噪声的图像中合理地分割出血管

前人所做：

在视网膜血管自动分割方面：

1、Gabor和Gaussian-based 来提取特征，用于像素选择、血管聚类和分割

2、基于数据驱动的方法利用基于unet的模型其变体

训练带噪声标签的网络

Shu, Y., Wu, X., Li, W.: L VC-Net: medical image segmentation with noisy label
based on local visual cues. In: Shen, D., et al. (eds.) MICCAI 2019. LNCS, vol.
11769, pp. 558–566. Springer, Cham (2019). https://doi.org/10.1007/978-3-030-
32226-7 62

通过低水平视觉线索引导的可变形空间转换模块来调整不正确的像素级标签。但他们的方法不能应用于视网膜血管图像，因为整个小血管可能被错误标记，不能通过空间变换来纠正。

Xue, C., Deng, Q., Li, X., Dou, Q., Heng, P.-A.: Cascaded robust learning at
imperfect labels for chest x-ray segmentation. In: Martel, A.L.,