QQ Group: 428014259
Tencent E-mail：[email protected]
http://blog.csdn.net/dgyuanshaofeng/article/details/86426569

这是李硕老师的工作。有数据就是好。

0 摘要

特点是同时分割和分类（正常和异常），类别包含椎间盘（intervertebral discs）、椎骨（vertebrae）和神经孔（neural foramen），因此，是语义分割了。
Spine-GAN就是循环生成对抗网络，看来挺复杂。

1 介绍

1.1 脊柱图像分析的相关工作

1.1.1 手动评估

1.1.2 自动检测

自动定位、自动分割、同时定位和分割

1.1.3 放射学分类

1.2 深度学习的相关工作

2 Spine-GAN

2.1 Spine-GAN 概述

涉及高级模块、混合学习策略、动态优化算法。。。
如论文[1]Figure 1所示，Spine-GAN涉及分割网络和判别网络。
分割网络涉及深度atrous卷积自编码器（deep atrous convoluion autoenoder），其用于脊柱图像表征学习和像素级分类；基于局部LSTM的循环神经网络RNN（local LSTM based recurrent neural network），用于脊柱结构之间的空间病理关系的空间动态建模；还要解码器，没有介绍。
判别网络，从Figure 1看出，是个编码器-解码器结构。

2.2 3个高级模块

分割网络中的深度atrous卷积自编码器和基于局部LSTM的循环神经网络RNN
判别网络中的卷积网络ConvNet
文中提及对抗过程会进行高阶不一致性校正，也就是第一篇对抗网络用于语义分割论文得到的结论。

2.2.1 深度atrous卷积自编码器

如论文[1]Figure 2所示。

2.2.2 局部LSTM

如论文[1]Figure 3所示。较复杂。

2.2.3 判别网络中的卷积网络ConvNet

如论文[1]Figure 5所示。仅包含编码器，与论文[1]Figure 1不一样。

2.3 混合学习策略

完全就是第一篇对抗网络用于语义分割论文的所有知识。

2.4 动态优化算法

分割网络用RMSPRop，判别网络用Adam。

Table 1，表示使用空洞卷积确实较好，因为感受野看到更多的椎间盘。加上其他的模块，自然会更好，因为在堆参数。

[1] Spine-GAN Semantic Segmentation of Multiple Spinal Structures MedIA 2018 [paper]