综述
- High-level Prior-based Loss Functions for Medical Image Segmentation: A Survey(基于高层先验损失函数的医学图像分割综述)
链接:https://arxiv.org/abs/2011.08018
如今,深度卷积神经网络(CNN)已经证明了在各种成像方式和任务之间进行监督医学图像分割的最新技术性能。尽管取得了早期的成功,但分割网络仍可能会产生解剖学异常的分割,在对象边界附近出现孔洞或不准确。为了减轻这种影响,最近的研究工作集中在合并空间信息或先验知识以加强解剖学上合理的分割。本文将重点放在损失函数级别的高优先级,根据先验的性质对文章进行分类:对象形状,大小,拓扑和区域间约束。本文重点介绍了当前方法的优势和局限性,讨论了与基于先验损失的设计和整合以及优化策略相关的挑战,并提出了未来的研究方向。
可以从拓扑先验(a),区域间先验(b)中受益的目标细分对象
分割
医学图像半监督分割Baselines.
基于深度学习的医学图像半监督分割
DTC:通过双任务一致性进行半监督医学图像分割