论文：Error Corrective Boosting for Learning Fully Convolutional Networks with Limited Data

会议：MICCAI -2017 （MICCAI 是医学影像分析研究领域的顶尖年会）

1、contributions:

（1）提出了一个SD-Net的网络架构，十分适合分割brain图像

（2）提出了ECB的自动纠错的分割训练机制,原理为在训练过程中迭代更新类别分割权重，通过为分割错误率高的类分配更高的权重来实现；

（3）提出利用辅助生成的Label进行预训练训练，再利用人工标注的数据fine-tune模型，解决训练label的限制；

注意：文章指出 这项工作是第一个FCNN模型用于整个大脑的分割.

2、提出的方法：

1）首先利用已有的分割工具将unlabeled data进行分割得到Auxiliary Labels预训练分割网络SD-Net

2）利用人工标注的label，对辅助label训练的网络进行微调训练，优化网络

3、SD-Net网络架构：

架构细节：

1）U-Net的skip connection: 1）获取上下文信息；2）提供一个梯度回传机制

2）unpooling from DeconvNet： 为分割小的结构提供了优势

具体方式：using the saved indices with maximum activation during max pool-ing of the corresponding encoder block. The remaining locations are filled with zeros.

3）7×7的convolution: 可以在最小的encoder上保证感受野，捕获完整的mask

4、训练的Loss Function:

当前的挑战 : 类别不均衡和解剖边界分割不准确的问题

（i）weighted multi-class logistic loss :权重解决class-imbalance

( ii ) Dice loss.

5、ECB训练纠错机制：

在训练过程中，随着训练epoch的进行，ECB迭代地优化Loss的权重，将准确率低的类增大Loss权重;

关于权重的设置:

当epoch=1时：

（1）第一个部分：通过中位数频率，均衡数据集分割类别，fl小的值反而大

（2）第二个部分：在边界区域增强权重

当epoch>1时：

其中：

q=0.05

fl表示第l类在训练数据集中的像素出现频率

the indicator function I, the training segmentation S（训练的分割Label），the 2D gradient operator ?（梯度）

6、辅助标签auxiliary label:

The auxiliary labels are created with FreeSurfer [6].

The auxiliary labels are created with FreeSurfer [6].

7、Results