「MICCAI 2016」Reading Note
Sina Weibo：东莞小锋子Sexyphone
Tencent E-mail：[email protected]
http://blog.csdn.net/dgyuanshaofeng/article/details/52887801
此文记录MICCAI 2016会议论文阅读笔记，主要通过论文题目和摘要及其个人研究兴趣，摘取一些，他日跟进。
会议论文一共有三部分，共享在此：here，而内容分为：（加粗为我感兴趣的部分）
1、脑分析（Brain Analysis）；
2、脑分析：连接（Brain Analysis: Connectivity）；
3、脑分析：皮质形态学（Brain Analysis: Cortical Morphology）；
4、阿尔兹海默症/病，俗称老年痴呆症（Alzheimer Disease）；
5、手术导航与跟踪（Surgical Guidance and Tracking）；
6、计算机辅助介入（Computer Aided Interventions）；
7、超声图像分析（Ultrasound Image Analysis）；
8、肿瘤图像分析（Cancer Image Analysis）；
9、机器学习和特征选择（Machine Learning and Feature Selection）；
10、医学成像中的深度学习（Deep Learning and Medical Imaging）；
11、机器学习的应用（Applications of Machine Learning）；
12、分割（Segmentation）；
13、细胞图像分析（Cell Image Analysis）；
14、配准和变形估计（Registration and Deformation Estimation）；
15、形状建模（Shape Modeling）；
16、心脏和血管图像分析（Cardiac and Vascular Image Analysis）；
17、图像重建（Image Reconstruction）；
18、磁共振成像图像分析（MRI Image Analysis）
机器学习和特征选择（Machine Learning and Feature Selection）
Mammographic Mass Segmentation with Online Learned Shape and Appearance Priors（P2 35）
这篇论文涉及乳房摄影图像的团块分割。
面临的困难是：第一，团块没有特定的生物学结构；第二，团结在形状、边缘和大小方面表现出复杂变化；第三，难以保留团块边界的局部细节。
解决的方法是：通过图像检索在线学习形状和外观的先验，可以理解为从大范围中挑选符合要求的参考样本，通过参考样本进行分割。
主要的步骤是：首先，给定查询图像，通过局部特征（稠密采样SIFT特征，利用视觉词袋进行量化）的霍夫投票检索在视觉上相似的训练团块，也就是参考样本；然后，在线学习这些训练团块的特定形状和外观；最后，利用这些学习到的先验和图割方法完成查询团块的分割。总的思路就是“二段式”：先粗后精。粗就是通过图像检索找到一大批符合要求的参考样本，这些样本是具有统计学意义的，因为跟查询团块很像，所以参考样本可以贡献一定的分割作用。精就是把参考样本进行抽象，得到形状和外观先验，然后融入图割算饭中能量函数中，完成最后的分割。
图1 方法流程
图1说明了方法的流程。给定查询图像，找到被检索图像，这些被检索的图像在形状和外观上与查询图像非常像，假设检索库中包含着良性团块（圆润）和恶性团块（弥散），那么图像检索过程其实理解为一个二分类的过程，划分良性团块和恶性团块。图像检索过程就是涉及被检索图像的编码了，利用视觉词袋进行编码，然后就做好了库。假设检索了一堆恶性团块，图割方法如何形状和外观信息进行在线学习，然后完成最后的分割。
图2 形状和外观说明
图2说明了形状和外观这两种先验特征的说明。注意到两个Matched SIFT有着相同的“描述”，即中心点一致，描述形状先验，指向中心点的多条射线位置一致，描述外观一致。
图3 结果
图3说明了方法的效果。蓝线为放射医生描画的轮廓，红线为计算机描画的轮廓。可见，弥散型的难度依然很大，而圆润型的解决非常好。因此这二者的模式难度差别非常大。
思考：是否可以利用深度学习算法解决呢？
机器学习和特征选择（Machine Learning and Feature Selection）
Bridging Computational Features Toward Multiple Semantic Features with Multi-task Regression: A Study of CT Pulmonary Nodules（P2 53）
这篇涉及计算机断层摄影图像肺结节识别。然后发现作者是本科师姐。
简单地说，就是特征提取和回归器训练。特征提取进行三部分内容，栈式去噪自编码器特征、类哈尔特征和卷积神经网络特征，组成描述肺结节形状和外观的计算异质特征。回归器训练涉及多任务回归。如图4所示。
图4 流程
思考：级联/组合特征+回归器/分类器，是经典的机器学习和深度学习的结合，也就是hybrid模型。常见的就是卷积网络提取特征+随机决策森林完成分类。在我完成2个项目之后，有一天我看到了这么一种混合模型，产生了针对问题的第3种方法。之前2个项目是机器学习和深度学习分别解决的，如果加上第3个项目，那么作为硕士生的毕业论文，还是不错的。机器学习和深度学习方法之间存在区别和联系，而联系在混合模型中，通过特征选择和比较，可能看得更有意思一些。后面的工作应该会考虑这个混合方法。
医学成像中的深度学习（Deep Learning and Medical Imaging）
The Automated Learning of Deep Features for Breast Mass Classification from Mammograms（P2 106）
这篇论文涉及乳房摄影图像的团块识别/分类。额，看不懂作者怎么利用预训练模型。利用手工特征作为标签预训练卷积网络，然后再微调分类器？看官自己看论文吧。
图5 流程和模型
图5说明论文讨论的四个模型和分类流程。蓝色框框和紫色框框是过去和现在比较流行的方法，也是比较容易想到的方法。绿色和红色是作者的方法。反正我没有看懂，利用手工特征预训练卷积网络？然后微调？其实，绿色框框后面那里应该有个sigmoid分类器或者softmax分类器的，等价于随机森林分类器。
图6 诡异的插入
图6说分两个阶段，第一是利用手工特征特征微调卷积网络，第二是分类任务。团块分割和团块检测这么输入感觉挺诡异的。
思考：传统机器学习搞一搞、现代机器学习（深度学习）搞一搞，混合方法搞一搞。
医学成像中的深度学习（Deep Learning and Medical Imaging）
DeepVessel: Retinal Vessel Segmentation via Deep Learning and Conditional Random Field（P2 132）
待补充。
医学成像中的深度学习（Deep Learning and Medical Imaging）
Deep Retinal Image Understanding（P2 140）
待补充。
医学成像中的深度学习（Deep Learning and Medical Imaging）
A Deep Learning Approach for Semantic Segmentation in Histology Tissue Images（P2 176）
这篇论文涉及组织学组织图像的语义分割。语义分割在医学图像分析上存在很多应用。
论文里面说分割存在着一个困难，就是组织学组织图像中的肌肉区域和弥散区域难以识别。其采取的解决方法是利用多尺度和结构化（上下文）信息解决目标区域的变异问题。另外一个问题就是医学训练数据缺乏问题。其解决方法是迁移学习，也就是计算机视觉圈内熟知的微调预训练模型，避免过拟合问题和加速网络的训练。针对目标区域大小和形状的变异问题，作者利用了两种信息，第一个多尺度信息，但是作者不采用原始FCN里面的跳跃结构（飞层），而是采用每一网络处理一种特定尺度，即事先对图像进行resize，然后输入各个FCN中；第二个结构化信息，使用CRF，很可能deeplab那一套。
图8 多尺度融合学习
图8说明了论文如何利用多尺度信息。本身，我们很自然想到在训练数据中进行多尺度处理，一般这种处理对图像块比较方便，因为图像块，我们可以取一样大小的，而图像就有大有小了。作者在图8用不同FCN处理不同的尺度数据，然后在softmax之前，把这些score map进行加法融合，再输入到分类器中。在进行score map融合之前，不同大小的map要经过额外的反向卷积层，从而得到一样大小的score map。融合的score map进入分类器，然后在整个学习过程中，就可以学习到多尺度信息了。
图9 结果对比
图9说明了一些结果对比，CRF的效应并没有带有提升。TL指迁移学习，就是微调模型。MS指多尺度。其实这里说明了，结构化信息并没有发挥作用。
思考：训练数据很重要，结果具体任务，多多考虑如何进行数据增强，多尺度好好考虑。多尺度，反映了一种小波分析思想，既要看到树木，也要看到森林。对应人的观察的话，那就是你可以很远很近地观察一个目标。