[MICCAI2019] FocusNet: Imbalanced Large and Small Organ Segmentation with an End-to-End Deep Neural

FocusNet: Imbalanced Large and Small Organ Segmentation with an End-to-End Deep Neural Network for Head and Neck CT Images
作者信息：
Yunhe Gao ，商汤
Hongsheng Li 大佬，CUHK
针对医学影像多类别分割任务的一个痛点，分割label不平衡。本文具体指头及颈部（Head and Neck, HaN）CT影像多器官分割时，不同器官大小不一致引起的类别不平衡。

---

给出的解决方案如下，大致思路是大器官用multi-scale的unet分割，小器官先定位中心点后分割（定位的方式是使用热力图做标签，定位后用ROIpooling提取该位置处的特征）

子网络结构

S-Net (Main segmentation network)用于分割大器官，结构如下：

SOL Net (Small organ localization network)，结构为2SE_ResBlock + 1x1conv + sigmoid 。输入为S-Net提取的特征，标签为小器官的热力图（小器官标签中心点的高斯分布，MSE损失函数），输出为小器官的概率图。根据该概率图找到值最高的点作为预测的小器官的中心点。之后用ROIPooling提取该区域特征。
SOS Net (Small organ segmentation network)，结构为2SE_ResBlock + 1x1conv + sigmoid， 输入为Encoder第一层特征，Decoder最后一层特征，原图以及预测的热力图的小器官区域的ROIPooling。
以上有三个子网络，对应三个loss，S-Net 大器官分割loss，SOL Net 热力图MSE loss，SOS Net 小器官分割loss。分割loss文中使用DICE和Focal。
实际中，先训练S-Net，再训练SOL Net，之后再训练SOS Net，最后三个网络一起微调。

实验结果

我的笔记

这篇文中没有太大创新点。先用热力图定位后分割这种思想早前就有了，。而且提出的网络训练也并非end to end，三个子网络都得一步步训练，最后再来一个微调，比较繁琐。虽然对小器官分割的精度有一定提升。。但个人愚见，不认为是idea太好的文章。