[19 TPAMI & 19 MICCAI] DeepIGeoS / Interactive Deep Editing

这两篇文章都是先自动预测

1. [19 TPAMI] DeepIGeoS: A Deep Interactive Geodesic Framework for Medical Image Segmentation

视频讲解：1:07:00处开始

主要看点：

1. 对scribble的编码；
2. CRF-Net的改进（略）；
3. 一个评价指标（非本文提出）。

对Scribble的距离编码：

设和为属于前景和背景，i为图像I中的一个像素，（d）和（e）是像素i到scribble和的geodesic distance。
由于geodesic distance利用了灰度信息，编码的意义会更好，下图有个直观的展示：

评价指标

其中和是算法输出和GT的点集，是i到的最短欧氏距离。

这个和IoU相比有什么好处呢？

2. [19 MICCAI] Interactive Deep Editing Framework for Medical Image Segmentation

主要看点：

这个和上面那一篇的区别应该是：

1. Refine的网络直接输出结果从用户交互和图像中预测结果；
2. 提出了一个Adjustment tool，本质上是二值化的时候的阈值调节。

Adjustment tool

用户输入一个 scalar value，表示 将 mask 进行 expansion/shrinkage 的程度。