论文阅读：Deep CNN ensembles and suggestive annotations for infant brain MRI segmentation

今天看了一篇20多页的论文《Deep CNN ensembles and suggestive annotations for infant brain MRI segmentation》，文章给我的启发并不多，标题中的“suggestive annotation” 也不是 active select samples 的意思，而是根据 ensemble 的 10 个3D CNN 的预测结果的分歧度来指导专家对分割结果进行修正。

不过我碰到了一个疑问，这个疑问在之前阅读MULTI-SCALE CONTEXT AGGREGATION BY DILATED CONVOLUTIONS就产生过：

在上面提到的两篇文章中， label map size 和 网络最后层输出的 prediciton size 是不匹配的， 但是这两篇文章给出的网络结构中都没有“解码”结构， 所以它们是怎么计算 loss 的呢？

• resize lable map size ?
• resize prediction map size?
• or ...

网上没有找到相关解答（甚至没有找到类似的问题，很奇怪，这个问题应该很常见啊），问了师兄，师兄依旧一问三不知。看来这个问题只能从源码中寻找答案了，但是这些源码都不是用keras 框架写的，真是蛋疼。

等我想明白了，再来完善这篇文章。

下面是我做的思维导图（这篇论文着实没有什么新意）

Deep CNN ensembles and suggestive annotations for infant brain MRI segmentation.png