醫學圖像分割領域的最經典的分割網絡之一，可能有些讀者讀完之後會有所抱怨：大部分和FCN網絡或者DeepLab V1網絡非常類似。但是在針對於文章的目標：腦部損傷分割，傳統的圖像分割算法效果不佳，然後作者提出了一些針對於當前醫學圖像問題的改進策略，從而達到更加state-of-art的分割結果。
創新點
通讀全文，下面是我所認爲的幾個創新點：
dense training 的方式。 （1）採用 全卷積操作的方式，一次對多個鄰接的像素點做出 dense prediction，從而三維節省計算代價。（2）能夠處理醫學分割問題中經常遇到的類不均衡問題。
multi-scale 方法。採用dual CNN網絡平行構架同時處理高/低分辨率的圖像，文中解釋這樣也是一種在感受野和feature分辨率中均衡的一種方式（感覺着實有些勉強…）。
3D FC-CRFs 將soft-segementation改善邊緣細節信息（這點也是比較牽強…）。Dense inference + Dense training
在傳統的patch-wise分類任務中，輸入的patch的尺寸和最後一層神經元的感受野相同，即得到的單個輸出對應於patch中心像素點的分類結果。然而通過將全連接層替換成卷積層，就可以輸入大於感受野的patch並得到 dense-inference，即一次性處理多個鄰接的像素並得到逐項素的輸出。 —— 這也是FCN中採用全卷積網絡的本意。
然而由於通常醫學圖像是一個三維體數據，將整個體數據一次性輸入到網絡中得到dense-inference並不現實。所以作者在individual patch和整個圖像的dense-inference中引入一種中間策略：即採用大於感受野大小的patch在得到dense-inference結果的同時不會造成太大的內存消耗。
而且採用這樣的方法能夠有效的解決分割中像素類分佈不均衡的問題——從training set的前景區域和背景區域以50%的相同概率採樣patch。由於patch信息本身就含有內在的樣本分佈信息，得到的結果能夠在sensitivity和specificity之間取得平衡
3 . 建立更深的網絡 —— 採用更小的卷積核 + Res-Block 結構 + Batch Norm 方法
4 . Multi-scale 平行CNN構架
還是一直提到的多尺度的圖像分割的問題，如何同時利用局部和相對大範圍的圖像信息？
上圖中有兩個通道：正常圖像分辨率通道和低分辨率通道，這兩個通道對應的輸出感受野對應於不同分辨率的輸入都是相同的17*17。假設低分辨率對應的圖像採樣率爲F，則在設計網絡輸出的時候要確保上面通道的感受野shift F個單位等價於下面通道感受野shift 1個單位。所以可以對應設計兩個通道的最後一個卷積層大小——注意分析最後一個卷積層的位置對應關係。
這樣的dual構架，能夠保證正常分辨率通道中能夠提取出很好的細節信息（局部信息），在低分辨率通道中能夠保持較好的 high-level 信息（相對大範圍信息）。因此能夠使得分割信息的精確和定位信息的準確。
5 . 3D FC-CRFs 進行空間正則化
這部分的內容可以參照博主之前的博客，這樣的處理對分割輸出的改善起到了很好的作用。
總結
總體來說，文章對於處理醫學圖像中遇到的問題有了很好的應對，進而對網絡有了一些小小的改進。總體來說，我認爲我長最精彩的部分在於如何用 dense-training 方式解決醫學圖像中分割目標常常很小的類分佈不平均的挑戰。而且提出的dual平行網絡構架也是多尺度分割的一種可以考慮的方式，不過略顯笨重（對於不同的分辨率都要重新訓練-預測），其顯然不如R-CNN系列的多尺度策略來的更有效率。