- 肿瘤分割对边缘信息提取的要求较高:
- 使用单分类:只学习病变部分,然后将完整CT 图像喂入模型寻找并分割病变位置。(完成)
- 使用多分类:将整个器官分离出来,并对病灶区域进行标注(进行中,目前绝大部分论文研究也处于这个阶段)
- 对病灶区域进行病变分类(eg:胰腺癌也分为很多种类型)(这个需要较强的医学背景,暂时还做不了)
- 参考论文
- Edge-Gated CNNs forVolumetric Semantic Segmentation of Medical Images (MIDL2020) https://arxiv.xilesou.top/pdf/2002.04207.pdf
-
Gated-SCNN: Gated Shape CNNs for Semantic Segmentation (ICCV 2019)http://openaccess.thecvf.com/content_ICCV_2019/papers/Takikawa_Gated-SCNN_Gated_Shape_CNNs_for_Semantic_Segmentation_ICCV_2019_paper.pdf github:https://github.com/nv-tlabs/GSCNN/blob/master/network/gscnn.py
- 这两篇论文都用到了sobel算子提取边缘信息(mask):
- 主干网络都是使用的传统经典网络:提取纹理信息和语义信息
- 分支都是专门用来控制形状流。
- 损失函数的设置:目前损失函数的设置都是多个损失函数加权叠加。(不同的损失函数解决不同的关系)
- 实验数据集的选择:
- 2018MICCAI 十项全能挑战赛 胰腺
- Kits 2019 肾脏 https://arxiv.xilesou.top/pdf/1904.00445v1.pdf