PaperReading1-Multi-scale Networks for Segmentation of Brain Magnetic Resonance Images
今天要介绍的是一篇发表在MICCAI2017年workshop上的做脑组织分割的论文《Multi-scale Networks for Segmentation of Brain Magnetic Resonance Images》，论文提出了采用多个模态多个scale和多个通路来增加分割的信息，达到较好的分割效果，17的paper确实流行采用多个网络拼接来提升效果的形式。
下面看下网络的主要框架，网络MSPNN由两个部分组成，并输入了三个不同角度的信息，做信息的融合。
框架亮点一：
采用两路卷积，对应于采样不同大小的patch，其中大的patch对应多个scale的U-net，小的patch对应采用 convolutional auto-encoder (CAE)自动卷积编码处理后的BNPPs，也就是人工神经网络。其背后的原来就是根据不同的样本大小采用不同深度的网络，其中U-Net代表deep的网络，BNPP代表了shadow的网络，这样可以更好地提取信息。
对于U-net来说，这里采用了3个downsample和3个upsample，比较适用于医疗图像的情况
框架亮点二：
第二个通路在做人工神经网络之前采用CAE进行了重建，也就是一个图像重建的工作。这样的好处可以自动建设医疗图像中噪声或者是冗余的信息，其实也是有点像U-net的重建思路
实验结果：
实验一：比较了state-of-the-art的效果：
实验二：分开两个通路研究了两个通路各自以及合并在一起的作用
实验三：比较了算法的运行时间以及复杂度
论文处理框架上没有其他的亮点，但就是提供一种实现多种scale，多条通路的思路，也达到一定的效果。但我这里有个问题，文章并没有对CAE的效果进行定性及定量的测评，只是对比有没有加上CAE能不能提升最后的效果，所以CAE到底是不是起到很好的重建作用，我还是报以怀疑，希望有读者看到可以指点一下。
reading_date:20180704