[18 TMI] BIFSeg

论文名称：

Interactive Medical Image Segmentation Using Deep Learning With Image-Specific Fine Tuning

简称：Bounding box and Image-specific Fine-tuning-based Segmentation (BIFSeg)

主要看点：

1. Bounding box and scribble-based binary segmentation pipeline;
2. Image-specific fine-tuning (unsupervised or supervised by user-provided scribbles).
3. Weighted Loss Function
   

   视频讲解：01:14:05处开始

方法部分：

初始预测

首先利用bbox做初始的分割，这部分用的网络的参数是固定的。

Fine-Tuning

这部分是文章核心，受到了GrabCut的启发。Fine-tuning过程中迭代的微调模型参数θ和预测结果。其优化的能量函数如下： ，

后面一项和Grabcut一样是像素之间的约束，采用的形式如下：
，
其中如果，为1，否则为0。为两个像素之间的欧氏距离。

前面的一项是重点，定义如下：
，

其中是网络最后softmax层输出的概率，是属于前景的概率。

💡固定模型参数θ更新输出：
。

上述问题可以转换成Grapcut求解的形式：
。

💡固定输出，更新模型参数θ：
。
**
即是下面的优化问题：
。

Weighted Loss Function

给scribbles标注的区域更大的学习权重，给不确定的区域为0的权重，剩余为1：


其中是网络输出概率不确定的区域，是距离scribbles较远距离的不确定区域。