Medical Image Segmentation Using Deep Learning: A Survey

论文：arxiv.org/abs/2009.1312

20页综述，共计171篇参考文献。

对于有监督学习方法，本文从三个方面介绍：backbone选择，网络blocks的设计以及损失函数的改进；

对于弱监督学习方法，本文从：数据增广，迁移学习和交互式分割来介绍。

深度学习已被广泛用于医学图像分割，并且已经发表了大量论文，记录了深度学习在该领域的成功。在本文中，我们将针对使用深度学习技术的医学图像分割进行全面的调研。本文做出了两个原创性贡献：

1. 首先，与将医学图像分割的深度学习文献直接分为许多组并针对每组进行详细介绍的传统调查相比，我们将当前流行的文献按照从粗糙到精细的多层次结构进行分类。

2. 其次，本文关注于有监督和弱监督的学习方法，因为许多早期调研中已经引入了无监督方法，但目前尚不流行，因此不包括无监督方法。

监督学习医学图像分割

对于监督学习方法，我们从三个方面分析文献：backbone选择，网络blocks的设计以及损失函数的改进。

1. Backbone Networks

• U-Net

• 3D Net

• RNN

• Skip Connection

• Cascade of 2D and 3D

2. Network Function Block

• Dense Connection

• Inception 

• Depth Separability

• Attention Mechanism

• Multi-scale Information Fusion

3. Network Function Block

• Cross Entropy Loss

• Weighted Cross Entropy Loss 

• Dice Loss

• Tversky Loss

• Generalized Dice Loss

• Boundary Loss

• Exponential Logarithmic Loss

• Loss Improvements

• Deep supervision
  
  

弱监督学习医学图像分割

对于弱监督学习方法，我们分别根据数据增广，迁移学习和交互式分割来研究文献。

医学图像分割数据集大盘点

侃侃

与现有调研相比，该调研对文献的分类与以前大不相同，并且更方便读者理解相关原理，并引导他们考虑基于深度学习方法的医学图像分割的适当改进。强烈推荐阅读学习！