Chen H, Dou Q, Yu L, et al. VoxResNet: Deep voxelwise residual networks for brain segmentation from 3D MR images[J]. NeuroImage, 2018, 170: 446-455. 香港理工大学
最近，用于训练非常深的神经网络的具有剩余单元的深度残差学习提高了2D图像识别任务（例如，对象检测和分割）的最新性能。然而，如何充分利用来自体积数据的识别任务的上下文表示尚未得到很好的研究，尤其是在医学图像计算领域，其中大多数图像模态是体积格式的。在本文中，我们探讨了体积脑分割任务的深度残差学习。我们的工作至少有两个主要贡献。首先，我们提出了一种深度体素残差网络，称为VoxResNet，它借鉴了2D图像识别任务中的深度残差学习的精神，并且被扩展为用于处理体积数据的3D变体。其次，通过将低级图像外观特征，隐式形状信息和高级上下文无缝集成在一起，提出了VoxResNet的自动上下文版本，以进一步提高体积分割性能。针对磁共振（MR）图像的大脑分割挑战性基准的广泛实验证实了我们提出的方法在处理体积数据方面的功效。我们相信这项工作揭示了3D深度学习的潜力，以提高体积图像分割的识别性能。
Deng Y, Sun Y, Zhu Y, et al. DASN: Data-Aware Skilled Network for Accurate MR Brain Tissue Segmentation[J]. arXiv preprint arXiv:1807.08473, 2018. 清华深圳研究所 ---对比VoxResnet
MR脑组织的准确分割是诊断，手术计划和脑异常治疗的关键步骤。需要自动可靠的分段方法来协助医生。在过去几年中，深度学习尤其是深度卷积神经网络（CNN）已成为各种信号中图像识别问题最突出的方法之一。但深度网络的改进总是需要灵感，这对普通人来说是罕见的。到目前为止，已经有了合理的MR脑组织分割方法，所有这些方法都能达到很好的效果。这些不同的方法具有各自的特征，并且与数据集不同。换句话说，不同模型的性能在相同的数据集上变化很大，每个模型都具有熟练的功能。正是在此基础上，我们提出了一种区分不同模型擅长的数据集的判断。利用我们的方法，可以在现有模型的基础上轻松提高分割精度，既不增加训练数据也不改善网络。我们在广泛使用的IBSR 18数据集上验证了我们的方法，并且获得的平均骰子比率为88.06％，而当仅使用单独的一个模型时，它们分别为85.82％和86.92％。
Sun Y, Deng Y, Xu Y, et al. A Multi-channel Network with Image Retrieval for Accurate Brain Tissue Segmentation[J]. arXiv preprint arXiv:1808.00457, 2018.
磁共振成像（MRI）广泛应用于大脑的病理和功能研究，如癫痫，肿瘤诊断等。自动准确的脑组织分割，如脑脊液（CSF），灰质（GM），白质 （WM）是这些研究的基础，许多研究人员正在寻求最好的研究。 基于具有其自身基本事实的多通道分割网络实现高达平均骰子比率0.98的事实，我们提出了一种新方法，我们添加第四通道，其具有CBIR从数据库获得的最相似图像的基础事实。 结果表明，该方法在MRBrainS18数据库中通过平均骰子比率测量的分割性能提高了约0.01。 此外，我们的方法简洁而强大，可用于任何不需要大量修改的网络架构。
MRI是一种重要的现代医学成像技术。与其他医学成像技术相比，它具有软组织成像的高分辨率，对人体无辐射损伤和多方向成像的优点。由于这些优点，MRI广泛用于大脑的病理学和功能学研究，例如研究大脑的工作机制和神经疾病，包括癫痫，阿尔茨海默病和多发性硬化症。 MR脑组织的准确分割是这些研究，诊断和治疗的基础。但人工细分是耗时的，取决于有经验的医生，这是临床上的一个痛点。因此，准确的MRI脑组织自动分割对于辅助诊断非常重要。与自然图像相比，MRI脑组织具有一些特殊功能。首先，不同的软组织可能具有相似的灰色信息，例如，小脑和WM之间的灰色信息是相似的。其次，不同组织的面积差异很大。第三，不同的组织基础事实在不同的方式上被分割，例如，在FLAIR扫描中对WM病变进行分割，在T1扫描中对GM进行分割。最后，人脑组织的结构相对固定，因此不同图像之间的纹理信息具有相似性。
由于脑组织分割的重要性，已经开发了许多方法来实现文献中的准确分割性能。从广义上讲，它们可以分为两类：1）具有手工制作功能的传统方法。这些方法通常使用手工制作的参数并获得较差的结果，例如基于强度的阈值处理[3]，模糊c均值聚类[8]，具有空间和强度特征的支持向量机（SVM）[9]。这些方法具有有限的表示能力以进行准确识别。 2）具有自动学习功能的深度学习方法。这些方法基于2D [11]或3D [2] CNN来实现分割。这些方法中的一些已经报道了MICCAI MRBrainS13攻击数据库[2,1]的最新性能，具有1种形式（T1）或3种形式（T1，T2-FLAIR，T1-IR）。然而，这些方法不利用先验固定的大脑纹理信息。为了充分利用先验的固定脑纹理信息，我们提出了一种新方法，它结合了CBIR [15,13,6,7]和多通道分割CNN网络结构，以提高性能，实现更好的分割结果。我们将每个切片与数据库中最相似图像的基本事实相匹配，作为第四个通道（其他3个通道由T1，T2-FLAIR，T1-IR图像组成。我们的方法简洁有效，可以集成到任何一个现有的网络架构没有太大变化。我们对包括CSF，GM，WM，脑干和小脑在内的5种组织进行了分割，但只评估了前三类。