随着年纪的增大，看过的东西真的就如过~眼~烟~云~，风一吹，转瞬就不~记~得~了~，好无奈哦。只能拿键盘敲出来了，嘤嘤嘤~~~
从今起，重新收拾旧博客。
Jerry L. Prince，Prof. at Johns Hopkins University，IEEE fellow 这个工作是Jerry Prince组2017年MICCAI workshop的工作（只是因为没看到前面的workshop，所以就把文章看了）。
论文链接
深度学习大法已经用到了眼底OCT的图像了，但是很难保证the strict biological tissue order，例如，眼底OCT图像可以分成10层，每一层都有一个相对位置。为此，本文提出一个级联的FCN来保证分割出来的结果具有正确的tissue order. 框图如下：
步骤：
Step1： 先将BM层检测，将OCT图像根据BM层进行整平
Step2: 丢到一个分割网络中，取名叫做S-Net，一个类似于U-net的神经网络，但是每一层的参数与U-net不一样，同时，在某些卷积层后进行了BatchNormalization
Step3: 经过forward propagation就能得到一个分割结果，可以用一个mask进行表示，如第一层记为1，第二层记为2,...
Step4: 对每一个A-scan进行check，应该长成如下图左边(a)和(b)的样子，(b)中横坐标为depth，纵坐标为层layer index，应该单调递增，这样就能通过Topology Checking。而对于不满足biological tissue order的，会长成(c)和(d)的样子，这样不能通过Topology Ckecking，这个时候就要接着进行Topology Fixing了。
Step5: 对于Topology check不通过的segmentation，丢到T-Net中进行Topology fixing。T-Net与S-net结构相同，但是每一次max-pooling以及up-sampling之后进行了dropout，dropout ratio=0.5. T-Net的作用是学习true segmentation的形状和正确的拓扑结构
训练过程：
S-Net的输入为128*128的图像块，GT为10*128*128的manual delineation，误差函数为GT与output segmentation之间的dice score
T-Net 训练数据为随机生成的topological detects，GT为manual delineation
实验：
数据：7个SD-OCT scans, 大小为496*1024*49， 每一个SD-OCT scans中有8个标记好了的B-scans用于训练。将每一个B-scan整平，从中裁剪128*1024大小的图像出来（以BM层为参考线向上128像素），进行重叠块采样，对于每一个B-scan，采样69个图像块，所以总共有7*8*69=3864个图像块用来进行训练。在验证阶段，用10个人工标定的Spectralis(海德堡的一个OCT的型号？) scans （总共490个标记好的-scans）以及6个Cirrus Scans。Cirrus Scans中每一个scans包含8个B-scans，所以总共有48个标记好了B-scans。
比较：
Spectralis （490个B-scans） 礼貌而有点尴尬还好是comparable的结果
Cirrus （48 B-scans）
所以，问题来了，怎么样可以让深度学习大法在biomedical images领域取得像CV领域一样辉煌的成就？