基於圖像patch的CNN分類算法
該算法是描述一類圖像分類問題，它有如下特點：
如圖，主動脈弓和心臟，綠色部分相同，而黃色部分不同。傳統的CNN算法，區分效果不佳。在Multi-Instance Multi-Stage Deep Learning for Medical Image Recognition這篇文章中，作者針對這種場景提出瞭解決方法。
訓練：將整張片子切分成patches，每個patch的label與整片的label相同，將這些patches放入CNN分類器訓練，在反向傳播時，通過修改損失函數：每個片子中對自己類別相應最高的patch纔會貢獻。如下L1是標準CNN的損失函數，L2是PCNN的損失函數：
這樣訓練出的網絡，就會對有區分度的patch敏感，而對無區分度的無感。
在該人造數據集上，PCNN取得了完美的效果
在CT數據集上，也取得了很大提高。
我體會作者設計這個算法的流程是：
一、通用算法在特定數據集上效果不完美，作者思考其中的痛點，並嘗試提出新算法來針對性解決。
二、設計一個人造數據集，驗證新算法能完美解決這個痛點。
三、最終雖然對實際數據集有較大提升，但依然不能像人造數據集一樣達到完美，是因爲實際數據集還有別的痛點。