论文分享 T-Net: A Template-Supervised Network for Task-specific

T-Net: A Template-Supervised Network for Task-specific Feature Extraction in Biomedical Image Analysis

T-Net 结构概述：

Encoding Network在模板（三种）的监督下学习特征表示，模板是通过不同的下采样策略从GT（即mask）中生成的。 然后，将网络提取的特征作为后验网络的输入，进行进一步的分析，如病理诊断、病变器官检测和异常组织分割。

Template：

1. NN Template: The most intuitive way to generate templates is by directly down-sampling the binary mask of the recognition target with nearest-neighbor interpolation.
2. Gaussian Template: To make the encoding network pay additional attention to the area outside the boundary of targets, we expand the NN template by applying a normalized Gaussian filter with a stride s.
3. Distmap Template: To encourage the encoding network to focus on the object center, we transform the NN template into a normalized distance map.
   

网络结构：

我们给出了T-Net的详细结构，包括一个用于分割的Up-sampling Network和一个用于定位的Detection Network。T-Net以Encoding Network为主干来提取多层次特征，这些特征被作为后验网络的输入，进行进一步的分析。网络结构由Dense V-Net改进而来，该网络利用了密集连接，以提高学习能力。需要注意的是，后验网络可以根据具体的分析任务以其他形式存在。

Loss

1. Template loss
   
2. Up-sampling Loss
   
3. Location Loss
   
   

训练策略

首先用生成的模板训练Encoding Network，然后用fixed（冻结）的Encoding Network训练后验网络。具体来说，我们也可以在不冻结的情况下训练后验网络，但这超出了我们的主题，我们将投入我们未来的工作。

算法评价