医学图像分割（MICCAI2019）
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》
木偶奇遇记好句
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 datat
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 gmentation（3D）
福的写法数据集来源：BRATS 2018 datat
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
秘密英语对应的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-wi activation。快乐蹦蹦床
每个branch的⽹络结构如下：
类U-Net结构，中间多加了Feature Bridge 模块。小笨猪
Loss 采⽤multi-class soft Dice Loss和Focal Loss组合形式
3.《X-Net: Brain Stroke Lesion Segmentation Bad on Depthwi Separable Convolution and Long-Range Dependencies》
任务：Brain Stroke Lesion Segmentation
数据集：Anatomical Tracings of Lesions After Stroke (ATLAS) datat
⽹络结构如下：
具体实现包括嵌⼊Depthwi 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（den/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。
水不在深有龙则灵
分割效果对⽐如下：
血清甘油三酯偏低
5.《Refined Segmentation R-CNN: A Two-Stage Convolutional Neural Network for Punctate White Matter Lesion Segmentation in Preterm Infants》
暖色系图片
