MICCAI2017分割文章核心框架整理
1.A Fixed-Point Model for Pancreas Segmentation in Abdominal CT Scans1.
摘要：深层神经网络已被广泛应用于从腹部CT扫描中自动化器官分割。但是，细分一些小器官（例如胰腺）有时它准确度低于满意度，可以说是因为深层网络容易由复杂和可变的背景区域占据大部分输入区域而被影响。在本文中，我们解决这个问题通过使用预测分割掩模的定点模型缩小输入区域。这是由于一般一个更小的输入区域通常导致更准确的分割。在训练过程中，我们使用真实标签注释来生成准确的输入区域和优化网络权重。在测试阶段，我们固定网络参数和以一种迭代的方式更新分割结果。我们在NIH胰腺数据机上评估本文的方法优于现有技术。
2.算法框架
2.1 算法迭代
3 分割结果
二.
Semisupervised Learning for Biomedical Image
Segmentation via Forest Oriented Super
Pixels(Voxels)
本文的代码MATLAB开源
摘要：在本文中，我们重点关注生物医学的半监督学习图像分割，以利于巨大的未标记数据。我们观察到通常在生物医学图像中存在一些均匀的连接低置信度区域，往往会混淆分类器训练有限的标签样本。为了应付这个困难，我们提出构建面向森林的超像素（体素）来增强
标准随机森林分类器，其中超像素（体素）建立在基于森林的代码上。与最先进的技术相比，我们提出的方法在挑战性上表现出优越的分割性2D / 3D生物医学图像。全面实现（基于Matlab）可从https://github.com/lingucv/ssl superpixels获取。
2 方法框架
3 分割结果
三 Automatic Quality Control of Cardiac MRI Segmentation in Large-Scale Population Imaging
结论：本文设计一套方法来对医学图像分割的效果好坏进行评估，这种方法针对训练数据少的医学分割任务。高质量的分割结果可用来增加训练数据集，在半监督学习和有吸引力的应用是转移学习，高质量的将有助于将诸如CNN的学习分类器调整到新的目标域。
四 .Neuron Segmentation Using Deep Complete Bipartite Networks
摘要：在本文中，我们考虑在双色共焦微图像上自动分割神经元细胞。这个问题是神经科学中各种定量分析应用中的关键任务。深度学习，特别是使用完全卷积网络（FCN）深刻地改变了生物医学成像的分割研究。我们在这个问题上面临两大挑战。首先，神经元细胞可能形成密集的群集，使得难以正确识别所有个体细胞（甚至人类专家）。因此，分割结果
已知的FCN型模型不够准确。第二，像素点真实标签很难获得。只有有限的近似值标签能够使用，从而进行训练FCN模型相当麻烦。我们提出一种新的FCN型深度学习模型，称为深层完整的二分网络（CB-Net）和一个新的利用近似实例注释来训练我们的方案，即像素预测模型。使用七个实际数据集进行评估，我们提出新的CB-Net模型优于最先进的FCN模型，并产生质量卓越的神经元分割结果。
2 方法框架
3 结果
五 .Automatic 3D Cardiovascular MR Segmentation with Densely-Connected Volumetric ConvNets
这个DenseVoxNet代码以caffe形式在GitHub上开源了
由于本文是采用3D形式，细节部分不详细看了，只是参考其密集链接的框架;
框架
六 Fully Automated Segmentation-Based Respiratory Motion Correction of
Multiplanar Cardiac Magnetic Resonance Images for Large-Scale Datasets.
摘要：心脏核磁共振（CMR）可用于定量分析心脏功能。然而，CMR成像通常涉及在单独的呼吸暂停期间获取2D图像平面导致3D图像平面之间心脏的未对准。准确定量分析需要对来自MR图像心脏进行强大的3D重建，其受到这种运动伪影的不利影响。因此，我们提出一种全自动的运动校正方法从MR平面使用完全卷积神经去分割心脏区域。本文FCN的框架在100个英国Biobank数据上进行训练,随后使用一个迭代配准算法为运动伪影诱导的呼吸维持造成的未对齐进行校正。我们最后在数据集上验证了基于图像配准运动校正的分割效果显著提高，并且获得的分割结果和手动分割的标签具有很好的对应关系。
2 算法框架
七
CardiacNET: Segmentation of Left Atrium
and Proximal Pulmonary Veins from MRI
Using Multi-view CNN
摘要：
左心房
（LA）和近端肺静脉（PPV）的
解剖和生物物理建模
对于临床心脏疾病的管理具有很重要
的作用。磁共振成像（MRI）
允许通过可视化对LA和PPV进行定性评估。
然而，强烈需要高级图像分割
方法应用于心脏MRI，从而对左心方和
PPV
进行定量分析
。在这项研究中，我们通过探索一种高精度高效率的深度学习分割策略来解决这个未满足的临床需求，从而用于LA和PPVs的定量分析
。我们的方法
是具有
自适应融合策略的
多视图卷积神经网络（CNN），同时定义了
新的损失函数，允许快速和
更准确地收敛和基于反向传播的优化。
通过使用超过60K的2D
MRI图像（切片）
来从头开始训练我们的网络
，我们已经评估了我们的分割策略在
STACOM 2013心脏分割挑战基准数据上。定性定量的评估分割结果
，
表明所提出的方法实现最先进的灵敏度
（90％），specificity（99％），精确度（94％）和效率水平（10s in
GPU，7.5分钟CPU）。
2 方法框架
3实验结果
八 Fully Automatic and Real-Time Catheter Segmentation in X-Ray Fluoroscopy
本文代码开源在GitHub上了
摘要：增强有3D路线图的X射线成像去提高医学辅助指导是一个常见的策略。这种方法受益于自动化X射线图像分析，如手术仪器的自动检测和跟踪。在本文中，我们提出了一种在2D X射线荧光镜序列中分割导管和导丝的实时性方法。该方法基于深卷积神经网络。网络将当前图像和前面三个图像作为输入，并且在当前图像中分割导管和导丝。后来，导管的中心线模型由分割图片构建。一组标签数据通过数据增加，将其用于训练网络。我们对图像的方法进行了训练，其中训练集为来自23个实例的182个X射线序列。在测试集上来自5个实例的55个X射线序列，实验结果表明，中心线距离误差为0.2mm，中点距离误差为获得0.9mm。这种方法对于2D X射线仪器的分割以实时全自动的方式执行。
2 算法框架
这里代价函数定义为预测和真实标签的Dice overlap，而不是通常的交叉熵形式；
3 结果
九 Joint Craniomaxillofacial Bone Segmentation and Landmark Digitization by Context-Guided Fully Convolutional Networks
摘要：从CBCT（cone-beam computed tomography ）得到精确的三维模型是开发治疗颅颌面（CMF）畸形患者的重要一步。这个过程通常涉及骨骼分割和地标数字化。由于解剖标志通常位于分割骨头区域的边界，骨分割和地标数字化的任务可能高度相关。然而，大多数现有方法简单的对待他们作为两个独立的任务，没有考虑到它们的内在联系。此外，这些方法通常会忽略地标在CBCT图像中空间上下文信息（即，从体素到地标的位移）。为此，我们提出了一个上下文引导的完全卷积网络（FCN）用于关节骨分割和地标数字化。特别，我们首先训练一个FCN来学习偏移map进行捕获CBCT图像中的空间上下文信息。使用学习的位移map作为指导信息，进一步开展多任务FCN共同执行骨骼分割和地标数字化。我们的方法已经对来自两个中心的107个科目进行了评估,实验结果表明，我们的方法优于现状，骨分割和地标数字化的艺术方法。
2 方法框架
3 实验结果