医学图像分割 （MICCAI 2019）

一.头部

1.《FocusNet: Imbalanced Large and Small Organ Segmentation with an End-to-End Deep Neural Network for Head and Neck CT Images》

针对 Head and Neck(HaN) CT images
数据集来源：非公共数据集 和 MICCAI Head and Neck Auto Segmentation Challenge 2015 dataset
创新点：对小器官额外使用一个定位和分割网络，和大器官的分割结果整合，解决器官大小尺度不一问题，提升整体分割效果。

包括主题网络S-Net, 小目标定位网络SOL-net, 小目标分割网络SOS-Net.
S-Net 为改进的U-Net 如下所示:

Loss 采取Focal loss 和 Dice loss.

2.《Deep Cascaded Attention Network for Multi-task Brain Tumor Segmentation》

任务：brain tumor segmentation（3D）
数据集来源：BRATS 2018 dataset
具体要求：区分brain tumor的whole tumor (WT), tumor core (TC) 和 enhancing tumor (ET). 这三个区域具有典型层次关系，WT 包含TC, TC又包含ET。

Cascaded attention 模块很好的利用了分割任务的层次关系
对应的attention map M, 通过下式进行可视化：c代表channel, 即通过L2-norm得到average pixel-wise activation。

每个branch的网络结构如下：
类U-Net结构，中间多加了Feature Bridge 模块。

Loss 采用multi-class soft Dice Loss和Focal Loss组合形式

3.《X-Net: Brain Stroke Lesion Segmentation Based on Depthwise Separable Convolution and Long-Range Dependencies》

任务：Brain Stroke Lesion Segmentation
数据集：Anatomical Tracings of Lesions After Stroke (ATLAS) dataset
网络结构如下：
具体实现包括嵌入Depthwise Separable Convolution， 加入FSM模块（类似Non-Local）等


分割效果对比如下：

4.《CLCI-Net: Cross-Level Fusion and Context Inference Networks for Lesion Segmentation of Chronic Stroke》

数据集同 3.
网络结构如下：

创新点包括：
（1）使用Cross-Level feature Fusion (CLF) 策略（dense/密集连接策略）融合multi-scale 特征.
（2）CLF策略进一步拓展了ASPP。 即在原来ASPP5个分支的基础上又增加了4个分支，对应前面的各级融合后的multic-scale特征。
（3）用ConvLSTM替换了传统U-Net 在decoder 部分 high-level特征与encoder 传来的 low-level特征 简单concate的融合方式。

分割效果对比如下：

5.《Refined Segmentation R-CNN: A Two-Stage Convolutional Neural Network for Punctate White Matter Lesion Segmentation in Preterm Infants》

任务：punctate white matter lesion (PWML) segmentation
数据集来源：非公共数据集

该病特点：病灶非常小
Mask-rnn架构-----Two-Stage 方法，先检测再分割
H-RPN网络抽取特征图生成一系列包含周围信息的ROIs，送入network head, head借助周围信息进行class和box的修正，然后将修正后的ROIs送入LRS-Net 进行病灶分割。
因为病灶太小，H-RPN网络使用ReLU加强对True Positive 区域的提取；扩大了box的大小从而包含周围信息，降低box预测偏差，也有利于后续修正；同时因为正样本太少，缩小了proposal的数量，避免正负样本过度不平衡。
LRS-Net 中使用Dense CRF修正分割图。
不同方法分割效果对比如下：

二.背部

1.《Multi-resolution Path CNN with Deep Supervision for Intervertebral Disc Localization and Segmentation》

任务：Intervertebral Disc(IVDs) Localization and Segmentation
数据集来源：MICCAI 2018 IVDM3Seg Challenge dataset
网络结构如下：
Multi-Resolution Path CNN with deep supervision（MRP-DSN）
每个路径分支独立负责一个resolution的预测，并配有对应resolution的Ground Truth 加以监管，彼此不互相干扰，使得训练更有效，也不易陷入相同的局部极小值，最后融合到一起给出最终预测。
（具体实现包括Denseblock模块， ASPP模块等）

预测效果如下：

三.腹部

Colorectal adenocarcinoma

1.《Deep Segmentation-Emendation Model for Gland Instance Segmentation》

Gland Instance segmentation

分割医学图像数据来源：2015 MICCAI Gland Segmentation (GlaS) Challenge dataset 和 colorectal adenocarcinoma gland (CRAG) dataset
数据如下所示：

分割网络：
DSE model
DSE model = Segmentation Network + Emendation Network
Segmentation Network 进行正向预测，得到分割预测
Emendation Network 进行反向预测，即预测出错的部分
在train阶段，SN网络逐步学习提升分割能力，EN学习提升检测错误的能力。二者都受相应Ground Truth监管。
EN网络的Ground Truth由SN网络给出分割预测图和分割的Ground Truth 对比得到，具体定义如下：

通过训练，EN网络逐步具备预测出错部分的能力。

在test阶段，SN网络给出预测后，EN网络给出出错部分，进行修正，refine后的分割图为最终分割结果。具体的：SN网络给出的预测在EN网络的预测指导下修正错误。即：如果E_i=0, 代表预测正确，无需修正；如果E_i=1，代表预测范围小了,当前点也属于分割区（对应上述第二个if），所以将该点修正为1；如果E_i=2, 代表预测范围大了，当前点不属于分割区，所以将该点修正为0。

预测效果和其他方法对比如下：

Seg-Net的训练采用cross-entropy loss。
Eme-Net的训练因为存在严重类别不平衡问题，采用multi-class Dice loss 和cross-entropy (ce) loss 结合的方式（Dice loss 可以缓解类别不平衡问题）。

本篇最大的创新点就在于提出了一个用于预测（检查）错误部分的网络从而进行修正完善。

其他

1.《ET-Net: A Generic Edge-aTtention Guidance Network for Medical Image Segmentation》

测试任务和数据包括：
1.Optic Disc and Cup Segmentation in Retinal Images
the REFUGE1 dataset 和 the Drishti-GS dataset
2.Vessel Segmentation in Retinal Images
DRIVE dataset
3.Lung Segmentation in X-Ray Images
Montgomery County (MC) dataset
4.Lung Segmentation in CT Images
The Lung Nodule Analysis (LUNA) competition dataset

两个预测模块的Loss 均采用Lovasz-Softmax loss （对于类别不平衡问题，该loss的表现比cross entropy loss 要好）

2.《Selective Feature Aggregation Network with Area-Boundary Constraints for Polyp Segmentation》

任务：polyp segmentation
数据集来源：the EndoScene dataset
网络结构采用1个encoder, 2个decoder，分别预测area 和 boundary，从而提升整体息肉分割效果。

创新点：
（1）在U-net 结构上加入Up-Concatenations(图中斜向上的红线)。捕获multi-level 特征。
（2）encoder 和 decoder 内嵌入SKM(Selective Kernel Module)模块。融合multi-scale 特征。

（3）Loss 的设计。loss 由4部分组成。如下所示：
L_a 为 area loss,由 binary cross-entropy loss 和 dice loss组成。

L_b 为boundary loss, 是 binary cross-entropy loss

L_C1和L_C2为Area-Boundary Constraint Loss。L_C1最小化通过area推断出的boundary 和对应Ground Truth的差异，是binary cross-entropy loss；L_C2最小化通过area推断出的boundary 和boundary 分支给出的结果之间的差异，以保证内部一致性，是K-L divergence loss。