1、研究内容

医学图像分割是解剖分离器官进行分析和治疗的过程。著名的U-Net在这一领域产生了领先的成果。尽管它取得了成功，但最近的工作已经表明UNet在进行分割时的局限性，因为图像的特殊性，如噪声、损坏或缺乏对比度。先验知识集成可以克服分词歧义。本文介绍了BB-UNet (Bounding Box U-Net)，这是一种将位置和形状先验结合到模型训练中的深度学习模型。该模型的灵感来自于U-Net，并通过在跳跃连接层引入一个新的卷积层来整合先验。提出的结构有助于将注意力核呈现在神经训练中，以指导模型在何处寻找器官。此外，它还根据位置约束对编码器层进行微调。提出的模型在两个主要的范式中被利用:作为一个单独的模型给予一个完全监督的框架，以及作为一个辅助模型，在一个弱监督的设置。在目前的实验中，在推理时输入手动包围盒，因此BB-Unet在半自动设置中被利用;然而，BB-Unet有可能成为完全自动化过程的一部分，如果它依赖于目标检测的一个初步步骤。为了验证所提出模型的性能，我们在两个公共数据集上进行了实验:SegTHOR数据集专注于计算机断层扫描(CT)图像中有风险的胸腔器官的分割，心脏数据集是作为迪卡侬挑战的一部分发布的单模态MRI数据集，致力于左心房的分割。结果表明，该方法在全监督学习框架下的性能优于现有方法，且在弱监督域下仍能获得相应的结果。

2、研究相关

自机器学习成为技术发展的主导工具以来，在模式识别、自然语言处理、分类和图像分割等多个领域都取得了重大突破。图像处理中的语义分割是对图像中的每个像素进行逐像素预测的过程，通过推导出有意义的分割、轮廓区域和边界。由于这个过程不仅包括指示图像中出现的内容，而且还包括位置，语义分割考虑了上下文理解和空间理解之间的权衡。完全卷积网络(FCNs)【1】是第一个使用深度学习进行分割的方法。fcn结构来源