基于上下文感知的空间递归曲线结构分割方法

1上下文感知的空间递归曲线结构分割王飞格格1，顾跃1，刘文喜1，余元龙1，何胜峰2，潘佳31福州大学2华南理工大学计算机科学与工程学院3香港大学计算机科学系摘要电流结构经常以不同的形式在各种图像中观察到，例如生物医学图像中的血管或本文提出了一种基于上下文感知的空间递归网络的曲线结构分割方法。该方法不是直接分割整幅图像或密集分割固定大小的局部块，而是利用学习策略从目标图像中循环采样不同尺度的块并对其进行局部处理，这类似于人类视觉系统中视网膜注视点变化的行为，有利于捕捉复杂曲线结构的多尺度或层次模态。具体地说，基于上下文信息，图像曲线结构图1. 我们提出的方法顺序和自适应采样局部补丁从输入图像，例如。如图所示的视网膜图像，然后增强这些斑块中的分割。绿色框表示在不同时间步长采样的斑块（以第1、第24和第69个为例）。第二行显示了红色区域内第一行分割结果的放大结果图像和历史采样经验的结合。通过这种方式，随着更多的块被采样和细化，整个图像的分割可以逐步得到改善。为了验证我们的方法，对不同类型的图像数据进行了比较实验，并举例说明了样本图像的采样过程。我们证明了我们的方法在公共数据集中达到了最先进的性能。1. 介绍由于深度学习技术的进步，近年来图像分割得到了快速发展，其主要重点是从自然图像中语义分割日常对象。另一方面，还有许多其他的分割任务是关于提取具有特殊形状的对象，这需要关于目标对象的先验域知识。一些典型的例子包括从生物医学图像中分割细胞或器官[7，53]和航空图像语义分割[32，21，29]。在显微图像数据中，具有曲线结构的物体（如血管）是分割的目标，这在以前的工作中没有引起足够的重视。用于解决曲线结构分割任务的现有方法通常涉及手工制作的fea，手动注释作为参考。金色箭头突出了放大区域的变化。每当红色和绿色框重叠时，将通过考虑图像上下文来细化红色区域内的分割整个图像的分割将随着更多的块被采样和细化而逐步改进。tures [49]，它不能鲁棒地处理各种复杂的曲线结构，并 且 可 能 对 图 像 噪 声 敏 感 。 深 度 卷 积 神 经 网 络（DCNN）最近的成功极大地提高了图像分割的性能，标准DCNN也被应用于涉及曲线结构的分割任务，如血 管[24， 31]和 神经 元 [4 ，42 ， 35， 10]。 然而 ，DCNN模型中卷积层的固定感受野很难识别生物医学图像中的曲线结构，因为曲线结构复杂，纠缠，多尺度的，但可能在图像的局部块中占据一小部分。此外，现有的分割方法[39，7]需要使用固定的窗口大小从图像中随机裁剪小块，以便收集足够数量的训练样本。在测试阶段，这些方法必须以与训练中相同的窗口大小对补丁进行采样，并使用重叠平铺策略产生最终的分割结果。这种随机采样过程没有考虑图像中的上下文依赖性，这对于识别多尺度曲线的复杂网络是重要的。12648行动#1行动#24行动#6912649结构.为了解决上述问题，我们提出了一种新的曲线结构分割方法，这是受人类视觉系统的启发。 根据[23]，人们普遍认为生物视觉系统具有一个连续的过程，随着视网膜注视的变化，逐渐积累确定性的证据。直观地说，要检查一个物体或图像，我们可能首先扫视它，然后仔细观察局部区域以观察细节。对于检测经常表现出多尺度或层次模态的曲线结构的任务，可以应用这种视觉模型。因此，我们提出了一种空间递归分割方法，顺序处理从目标图像采样的补丁。如图1，基于图像上下文自适应地确定所选择的块的位置和大小，并且局部地细化这些块的分割，这类似于改变视网膜注视的行为。通过递归地执行采样和局部分割，目标图像中的多尺度曲线结构将被逐渐提取和细化，使得我们的方法对于从图像中分割血管或细胞边界等任务具有吸引力。具体来说，我们采用Actor-Critic框架[22]来学习自动决定在何处裁剪补丁以及补丁大小的采样策略。为了结合上下文依赖线索，采样策略不仅考虑基于图像的整体特征的上下文信息，而且还考虑通过长短期记忆（LSTM）的先前分割结果。因此，在我们提出的算法的每一步中，策略模型推断出最佳的动作，用于采样给定的最新分割掩码的补丁。我们还提出了一个细心的特征提取模块，引导政策集中在区域的分割决策是不确定的，为了更有效地驱动采样过程中，通过以下的曲线结构网络的拓扑结构。 最后，为了验证和评估，我们在涉及两种类型的曲线结构的数据集上实验了我们的方法，包括两个视网膜图像数据集（即，[19]我们还说明了样本图像的采样过程本文的贡献有三个方面：• 我们提出了一种新的空间递归分割方法，顺序分割适当大小的局部补丁，并逐步细化曲线目标图像的结构。• 通过结合空间注意、图像的上下文依赖线索和历史采样经验来学习补丁采样策略。• 它实现了最先进的性能，视网膜图像数据集和电子显微镜数据集。2. 相关作品在本节中，我们回顾了语义分割、曲线结构分割和基于深度强化学习的视觉作品的相关文献。语义分割是计算机视觉中最具挑战性的任务之一，它试图预测给定图像或视频帧的像素级语义标签。受最近完全卷积网络的进展的启发，工作（FCN）[30]，已经提出了几种技术，这些技术结合了多尺度特征集成和上下文信息保存，例如DilatedConvolution [52] ， DeepLab [8] ， RefineNet [26] ，PSPNet [56]和RAN [55]。基于DCNN的图像分割技术也被用于分割特殊类型的生物结构，包括肝脏[27，28]，肺[11]，肾脏[25]，细胞[7，15]，胰腺[53]或海马[12，48]。相比之下，我们的工作重点是从生物医学图像中提取曲线结构。电流结构分割已经研究了几十年[45，38，3，36]，因为这些结构在生物图像中无处不在，典型的例子是血管，支气管网络和树突状乔木。这些结构的分割对于医学分析是重要的，但是从图像中精确自动描绘所有曲线结构仍然具有挑战性。在生物医学图像分析的社区中有与该问题相关的文献[39，24，31，49]，遥感图像分析[33，1，57，13，50]。在这些工作中，血管分割[3，36，31]和神经元边界检测[4，42，10]被广泛研究。近年来，DCNN也被用于曲线结构分割[39，31，42]。特别地，U-Net [39]被呈现为具有跳过连接的编码器-解码器架构，其展示了用于检测神经元边界的优异性能。Maninis等人[31]融合多尺度深度特征，从视网膜图像中提取血管。在[42]中，提出了一种用于边界检测的多级全卷积神经网络。Mosinska等人[35]提出逐像素拓扑损失和递归细化算法来执行描绘。与现有的固定感受野分割方法相比，该方法结合图像的上下文信息，对适当大小的局部块进行循环采样和分割。深度强化学习（DRL）首先在[34]中引入，它应用深度神经网络作为函数逼近器来估计强化学习的动作值函数。最近，有一些作品试图将DRL应用于计算机视觉任务[5，12650图2. 我们提出的方法包括三个模块。注意特征提取首先对目标图像I进行特征提取，即，I的整体特征被从最新的分割M t-1推断的注意力图掩盖，以获得特征ft。接下来，考虑到周到的整体特性，策略网络将对动作进行采样以从tar_get_image中选择合适的补丁。在该图中，采样动作是增强裁剪风以获得新的斑块。最后，在局部分割中，应用所选择的片以生成局部分割M_i，然后更新全局分割M_i分割Mt，其将被递归地用于对下一动作进行采样54、6、20、17]。Caicedo等人”[5]他说。一种专注于定位图像中对象的算法。Cao等人。[6]将DRL应用于面部幻觉，其顺序地发现应该更多关注和增强的图像块。Yun等人[54]将视觉目标跟踪问题转化为一个决策过程，应用DRL方法依次移动包围盒，实现了精确的跟踪。Han等人。[17]提出了一种基于深度Q学习的方法，可以同时定位和分割视频中的目标对象还有几种方法试图将RL技术应用于图像分割问题[40，37，46，16，17]，但它们仅限于自然图像或视频。在这些以前的作品相比，本文的重点是关于特定的生物医学图像的曲线结构分割的渐进和自适应的细化3. 该方法在这项工作中，我们制定的图像分割作为一个顺序的决策过程中，代理采取一系列的行动来完成一个全局优化任务。特别地，给定初始粗分割，我们引入分割代理，该分割代理从目标图像中顺序地采样适当大小的块用于局部分割，并最终获得最优的全局分割结果。如图所示2、我们建议的管道可以简单地表述为：ft← Fe（I，Mt−1），（1）at← Fπ（ft，ht−1），（2）It←Fa（I，It−1，at），（3）Mt←Me r ge（Fs（It），Mt−1）.（4）具体地，在每个步骤t，分段代理接收来自目标图像I的观测、最新的分割掩模Mt-1和历史经验ht。根据这些观察，注意特征提取模块Fe提取用于表示分割任务的当前状态的注意整体特征ft如Eq.1.一、接下来，策略网络模块使用等式2中的学习策略Fπ。2从动作空间A中采样动作at，给定提取的特征ft。的在该动作的情况下（即， Fa（·）在等式 3）将基于预先选择的局部块It-1从图像中裁剪新的块I t。然后，局部分割模型Fs将对局部块It和m er g执行分割将其转换为将被使用的全局分割掩码Mt在下一个时间步。在执行每个操作之后，代理将根据更新的分割掩码和地面实况之间的逐像素误差接收奖励总而言之，代理的目标是通过迭代地执行Eq.1、2、3和4。^Mt−1局部分割^Mt阿柠檬酸盐MdĂƌŐĞƚ iŵĂŐĞIht-1阿维尼翁整体特征ft注意特征提取政策网络我ˆt−1t→Iˆ卡宾枪&C>无菌包装&C>无菌包装&C>无菌包装&C>无菌包装>^dD&C>无菌包装12651不不不不3.1. 政策网络策略网络作为框架的核心，实现了序列局部补丁挖掘.在接下来的部分中，我们介绍了我们的状态和动作制定。国家：在我们的表述中，国家由两部分组成：当前分割掩码和历史经验，即，s t={Mt，h t}，其中Mt指示当前时间步长t处的全局分割掩码，并且h t为1LSTM潜在层，通过合并所有先前的操作对历史经验进行编码，并通过转发编码的历史动作向量ht-1。 在这样，决策过程的状态不不仅考虑当前观察，而且还涉及历史经验，这使得分段代理能够以类似人类的方式感知完整的上下文信息动作：给定大小为W×H的输入图像I，代理首先选择一个补丁I，其中（x，y）是指补丁的左上角位置，（w，h）是指到它的宽度和高度，然后更新补丁中的分割掩码。我们将动作空间A定义为一组变换选择，用于调整I_t的大小和位置，包括平移动作、缩放动作和终止动作。具体地，平移指的是分别将平移、平移、向上和向下移动16个像素的四个动作四个缩放操作将按×1、×0缩放修补程序窗口大小的宽度和高度。五、×0。375，0。25，分别。 在实践中，我们使用方形斑块，即，w=h，w和h都被分配了默认的512像素 。 因 此 ， 缩 放 后 的 贴 片 大 小 可 以 是 512×512 、256×256、192×192或128 ×128。终止操作将停止分段过程无论何时被选中。总共有9个动作，每个动作都表示为一个dim-9 one-hot动作向量at∈ {0，1}9。3.2. 网络架构全局分割。 在开始时，我们的模型是一个粗略的初始分割。该初始全局分割掩模M0是使用在许多视觉任务中广泛使用的U-Net架构[39]产生的这个U-Net使用来自训练数据集的完整图像进行训练注意特征提取。为了结合整体线索来编码上下文依赖性，我们使用网络F global提取图像的整体特征，这是预训练VGG模型的Conv 1 -5层[43]，如图所示。二、由于提取的图像全局特征不随时间变化，我们需要将其与最新的全局分割掩码相图3. 分割、注意力图和分割的注意区域的可视化。如图所示，突出显示了缠结结构和薄结构。Mt−1可能很小，这会减慢强化学习的进度。提取时间变化的为了更有效地提取特征，我们学习了一个二进制掩码来参加特征提取，其中注意力模块Fatt由两个全连接层组成，如图所示。二、注意力模块产生与整体特征具有相同空间大小在实践上许多整体特征的维数为16×16×512。Fatt中第二个FC层的输出维度为256，被重塑为16×16作为注意力地图。如示于图2、整体性特征与注意力映射相乘以计算特征为：ft=Fe（I，Mt−1）=Fatt（Mt−1）<$Fglobal（I），（5）其中<$表示逐元素乘法。注意力地图倾向于集中在分割决策仍然是不确定的，如图所示。3.第三章。政策抽样。接下来，特征ft被向前传递到递归模块，递归模块编码或记忆历史经验ht。递归模块由三个全连接层和一个LSTM层组成，示于图二、它在一个独热向量的形式然后，该动作将被用于从图像I中裁剪出一个补丁I。局部分割。 最后，所选择的补丁I是被馈送到局部分割模型中以获得新的分割掩模Mt。在实践中，我们将局部分割模型设置为与全局分割模型相同的U-Net架构，除了它是使用从训练图像中随机采样的多尺度块。通常，局部分割模型不一定是U-网，并且它可以被任何U-网替换编码R-解码器架构。在我不吃的贴片被喂饱后在局部分割模型中，计算局部分割掩模Mt，其具有与It相同的大小并且用于通过Mt（·）更新分割掩模。特别地，等式（1）中的Me r g e（·） 4是按照以下方式实现的。在I_t的区域内，分割掩码M_t被计算为局部分割M_t和最后一步分割掩码M_t-1的线性融合：Mt|I=γMt−1|I+（1−γ）M，（6）Mt，以便提取对图像中的分割掩模的时间变化敏感的特征。而对于I t之外的区域，Mt仅从上一步结果中复制：Mt|I\I=Mt−1|我...在这条河上，但是，有时候，更新后的局部分割之间的差异Mt并不会完全取代以前的12652不t−1不不一个在单个步骤中完成，因此可以保持平滑的结构。奖励奖励被定义为从时间步t-1到t的局部分割的改进，这鼓励代理定位带来最大的改进。在训练阶段，由于该过程是试错学习，因此分割可能不会在每个步骤中得到改善。但学习的策略最终会使分割达到全局最优状态。我们采用L1距离来度量分割的误差. 特别是，当L1距离分割及其地面实况从t-1减少到t，将获得正奖励否则，奖励将是负的。因此，奖励函数R被设计为：R=λ（||Mgt−Mt−1||1−||Mgt−Mt||1）、（7）其中Mt=Mt|是分割掩码Mt在由It 定 义 的 补 丁 区 域 中 的 限制，Mt表示针对Mt的局部分割的基础真值。 λ被设置为3，λ被设置为10。3.3. Actor基于批评的学习我们使用基于时间差的Actor-Critic算法[22]来学习从目标图像中采样补丁的策略，以最佳地提高分割性能。在训练阶段，该算法通过使用softmax输出层从现有的策略网络中选择一个动作，经历了大量来自好动作的高回报和来自坏动作的负回报的训练示例当训练进行时，该算法可以迭代地更新策略网络，其在Actor-Critic框架中被称为Actor，以及被称为Critic模块的值函数，其根据时间差（TD）误差信号引导Actor模块TD信号是优势函数的近似，即，在分割质量方面，该动作与所有动作的平均值在收敛之后，Actor-Critic算法可以提供用于执行给定目标图像的高质量块采样的高质量策略。4. 实验4.1. 数据集和实现细节数据集。我们评估我们的方法对两种类型的生物医学图像数据具有不同的线性结构。• 血管图像。我们在DRIVE [47]和STARE [19]上进行了实验，分别包含40和20张图像，活泼地两者都包含专家注释者对血管的手动分割。在[31]之后，对于DRIVE，我们使用标准的训练/测试分割。为STARE，我们使用前10张图像作为训练集，最后10张图像作为测试集。• 电子显微镜图像（EM）。EM数据集[2]的任务是检测神经元边界。有30个训练图像与地面实况注释和30张测试图片，组织者扣留了这些图片的地面实况。根据[35]的实践，我们将训练集分为15个训练图像和15个测试图像。实作详细数据。我们使用Tensorflow构建了我们的网络，并在一台NVIDIA GTX 1080Ti上进行了训练。特别地，在注意力学习模块中，两个FC层的输出大小是512和256。 在策略网络的FC层中，输出大小为30、30和10，而LSTM的输出维度为64。此外，我们为全局和局部分割部署了相同的U-Net架构，其中包括用于下采样的5个卷积层和用于上采样的5个解卷积层。如上所述，全局分割模型仅在完整图像上训练，而局部分割模型在从训练图像裁剪的多尺度块上训练。其输入空间分辨率为512×512，因此所有训练样本在被送入网络之前都被调整为512×512。此外，我们通过镜像和旋转训练图像。此外，在EM数据集中，我们应用[39]中建议的弹性变形来补偿少量的训练数据。在训练阶段，我们对每个训练数据集的所有图像进行迭代训练我们将每个图像视为Actor-Critic框架的独特训练场景。它为每个图像运行最多500步，以收集足够的观察结果。我们选择Adam作为优化求解器在训练阶段，Actor和Critic的学习率分别设置为10- 4和10- 3。指标. 为了评估DRIVE上的比较结果，我们使用F1-测度，它通常用于评估分割结果。我们还计算了像素级的查准率。对于EM和STARE数据集，我们遵循[35]中使用的指标，该指标采用F1度量以及正确性，完整性和质量[18]。它们是专门为线性结构设计的指标，用于测量预测结构和地面事实之间的相似性。所有指标都是在比较方法的最佳点计算的4.2. 结果分析学习进度分析。为了分析学习进度，我们在DRIVE数据集的不同训练阶段评估了我们的模型。我们使用全局分割模型作为基线模型，而不学习任何策略采样，表示为全局。我们比较12653原始图像手动注释我们的DRIU CRF图4. 我们的方法进行了比较，对DRIU和CRF的三个范例图像从DRIVE数据集。前两列是指目标图像和手动注释。第三至第五列分别是我们的、DRIU和CRF的分割结果此外，我们突出几个地方补丁进行更详细的比较。 第一行和第二行的放大图块显示在每个图像的左下角，而第三行的则显示在右下角。原始图像Ground-truth Ours Topology U-Net Reg-AC图5.基于EM数据集中的两个图像与Topology、U-Net和Reg-AC进行比较。结果来自[35]的原始工作具有策略采样的模型分别在所有40个训练图像上训练1、2和3次迭代。它们被表示为Ours-iter 1、Ours-iter 2和Ours-iter 3。选项卡中的结果。1表明我们的模型与策略采样明显提高了全局模型的性能，因为Ours-iter 1和Ours-iter 2在所有指标上都优于它。然而，该模型几乎不能被改进超过3次迭代，因为Ours-iter 3降低了精度，在其他指标上几乎没有增益。定量结果。我们评估了我们提出的方法在DRIVE和STARE中的血管分割任务以及EM数据集中的神经元边界检测。对于EM数据集，我们比较了以下方法：[41]第44话，我的世界，我的世界和[35]（为方便起见记为拓扑），根据最新工作[35]中发表的原始结果12654原始图像手动标注1手动标注2我们的DRIU图6. 根据STARE数据集的图像参考两个手动注释与DRIU进行比较。原始图像（1）全局分割M0（2）M37（3）M142（4）M238（5）M309（6）M409手动注释图7. 我们的方法如何从（1）到（6）逐步细化分割的示例。我们使用红色和蓝色来突出显示先前分割的变化红色表示增强区域，而蓝色表示相反。模型F1预处理召回数据集方法F1校正Comp.质量全球0.76910.86520.70030.38010.50210.2749Ours-iter10.80740.88020.7297盯2019年12月31日0.2590Ours-iter20.81950.89140.7674DRIU2017年12月31日 0.3306Ours-iter30.82030.87830.7729我们2015年12月31日 0.3810.、-.、表1.不同参数模型的性能比较DRIVE数据集上的训练配置。HED0.7227---CHM-LDNN0.8072---对于血管分割，我们的模型进行了比较，EMReg-ACU-Net-0.79520.71100.69110.66470.71280.52330.5406利用包括DRIU [31]的最先进的方法N4字段[14]，内核增强 [3]，HED [51]，CRF [36]，Wavelength [45]和SE [9]。请注意，这些最先进的结果在公共基准测试1中提供。在选项卡中。2、首先在EM数据集和STARE数据集上进行了对比实验。我们不仅测量方法的F1得分，而且通过细化分割来评估提取的曲线结构的正确性、完整性和质量。如图所示，我们的方法优于其他方法，这要归功于我们的上下文感知分割http://www.vision.ee.ethz.ch/cvlsegmentation/driu/index.html拓扑0.82300.72270.7358 0.5722我们的0.83450.76710.9152 0.7160表2. STARE和EM数据集上的实验结果比较指标包括F1-measure和三线结构评估指标：正确性（Corr.），完整性（Comp.），和质量此外，在Tab。3，我们将我们的方法与DRIVE数据集上的几种最先进的方法进行了比较，包括基于DCNN的方法DRIU [31]，该方法与深度特征融合技术相结合，在其公共基准测试中达到了最高性能实验结果表明，该方法在F1测度和查准率与查全率的12655原始图像（1）M0（2）M41（3）M56（3）M58地面实况图8. 从（1）到（4），来自EM数据集的示例图像显示了我们的方法如何逐步细化分割。方法F1前 召回 Corr.Comp. 质量波动率0.76180.74790.7763 0.49180.2134 0.17820.65840.67840.6396 0.37940.1603 0.12590.41570.27032019 -06 - 28 0.80980.7929 0.46890.4201 0.2840N4场2019年12月31日星期五上午10时30分0.40310.28562019 - 04- 23 0.8221 0.81790.8264我们的0.83530.82880.84190.57680.46390.3432表3. DRIVE数据集上的实验结果。比较指标包括F1度量、精确度、召回率、正确性、完整性和质量。图9. 在我们的分割过程中，每个像素的L1损失的说明图中的例子。7（左）和图。8（右）。因为我们的模型可以在血管中提供更一致的分割。定性结果。我们展示了这些数据集的一些典型结果。首先，在图4、提供DRIVE数据集的三幅视网膜 通常，DRIU会产生噪声结果具有假阳性预测，而由CRF创建的预测具有很多遗漏的检测。如放大的红框中突出显示的，血管结构保存良好且平滑，噪音极少接下来，在图中。5、我们使用[ 35 ]中的两个例子进行比较。一般来说，我们生产的结果显示出比其他人更高的质量。由于测试图像具有挑战性，尽管在我们的结果中观察到一些错误检测，但我们的结果比其他方法生成了更清晰的边界和更少的噪声。最后，我们在STARE数据集的图像上进行了实验。请注意，训练数据由两个人标记。我们的模型是在第一个注释器的数据上训练的，但我们在图中观察到6，我们的模型设法提取类似于第二个注释的薄结构。情境感知采样。 我们先做一个实验-请从DRIVE来演示我们的取样程序。我们的方法在这个图像上运行了450步，性能被示出为图1的每像素L1损失的曲线。9（左）。在图7中，我们选择了几个关键帧来展示我们的方法如何在第37、142、238、309和409步循环细化分割。帧之间分割的改进以颜色突出显示。我们观察到，代理首先增强图像中心的薄结构，但它也在分割掩模中留下不连续性。然后，智能体四处移动以消除不连续性，并试图过滤掉空空间中的噪声。在最后几个步骤中，智能体移动到图像边界，以加强主要分支的分割。在图5中，我们说明了我们对EM数据集的另一个图像进行分割的过程。我们运行60步在这个图像中，如图所示。9（右）。在第41步中，小圆圈闭合，但一些神经元的边界被扭曲.然后，边界被细化，同时在第56步和第58步去除神经元内部的噪声。5. 结论本文提出了一种基于上下文感知递归网络的曲线结构而不是分割整个图像或固定大小的局部补丁，我们的方法顺序地注意到从目标图像中分割出一个适当大小的局部补丁，其中选择局部补丁的策略是基于图像的上下文信息来学习的。因此，分割结果可以逐步细化。由于训练数据有限，我们只采用一个小的离散动作集，这可能会增加每个图像的采样动作数量。此外，由于我们应用朴素U网作为分割模型，因此很难准确识别所有这些薄结构。作为未来的工作，可以应用更丰富的动作集，并可以应用先进的分割网络来提高我们的模型的性能和通用性，以适应更多的视觉任务。鸣 谢 本 项 目 得 到 国 家 自 然 科 学 基 金 （ No. 61702104 、61873067、61702194），福建省自然科学基金(No. 2016J05155和2018J01798）和广州市重点产业技术研究基金（No. 201802010036）。12656引用[1] R. Alshehhi和P.R. 马尔普从高分辨率卫星影像中提取道路网的层次图分割ISPRS，2017. 2[2]I. 阿尔甘达-卡雷拉斯 S. C. 图拉加， D. R. 伯杰 D.Ciresan，A. 朱斯蒂 L. M. 甘巴德拉 J. 施密特胡贝尔 D. 拉普捷夫S. Dwivedi，J. M. Buhmann，T. Liu，M. Seyedhosseini，T. 塔斯迪曾，L.卡缅茨基河Burget，V. Uher，X.坦角，澳-地孙，T. D. 范E. Bas，M.G. Uzunbas，A.Cardona，J. E.Schindelin，以及H. S.胜众包用于连接组学的图像分割算法的创建。神经解剖学前沿，2015年。二、五[3] C. J. 贝克尔河里加蒙蒂河谷Lepetit和P.呸用于曲线结构分割的有监督特征学习在MICCAI，2013年。二、七[4] T.贝尔湾安德烈斯，美国Kthe和F. A.汉普雷希特一种有效的最小代价提升多割问题的融合移动算法在ECCV，2016年。一、二[5] J. C. Caicedo和S. Lazebnik使用深度强化学习进行主动目标定位。在ICCV，2015年。3[6] Q.曹湖，加-地Lin，Y. Shi，X. Liang和G.李通过深度强化学习实现注意感知的人脸幻觉。在CVPR，2017年。3[7] H. Chen，X.齐湖，加-地Yu和P. - A.衡Dcan：深度轮廓感知网络，用于精确的腺体分割。在CVPR，2016年。一、二[8] L- C. Chen，G.帕潘德里欧岛科基诺斯角Murphy和A. L.尤尔。Deeplab：使用深度卷积网络、无卷积和全连接crfs进行语义图像分割。TPAMI，2018年。2[9] P. Dollar和C.L. 齐特尼克用于快速边缘检测的结构化森林InICCV，2013. 7[10] M.德罗兹扎尔湾Chartrand，E.沃龙佐夫，M.沙凯里湖D.Jorio，A. Tang，A. Romero，Y.本焦角和S.卡杜里医学图像分割中学习归一化输入的迭代估计医学图像分析，2018。一、二[11] 公共关系菲柳Cortez和V. H. C.德阿尔布开克。使用胸部ct图像的肺及其结构的3d分割和可视化。生物医学科学与工程杂志，2013。2[12]B. 菲舍尔， D. H. 萨拉特， E. 布萨， M. 艾伯特 M.迪特里希，C. 哈塞尔格罗夫， A. van der Kouwe， R. 基利亚尼， D. 肯尼迪S. Klaveness，A. Montillo，N.马克里斯湾Rosen和A. M.戴尔全脑分割：人脑神经解剖结构的自动标记。神经元，2002年。2[13] R. 加埃塔诺，J.泽鲁比亚湾Scarpa和G.波吉基于高分辨率卫星影像的城市道路形态分割在2011年的数字信号处理国际会议上。2[14] Y. Ganin和V. S. Lempitsky N4-fields：用于图像变换的神经网络最近邻场。ACCV，2014年。7[15] F. C. Ghesu，E. 克鲁巴西克湾 格奥尔杰斯库河谷Singh，Y.小郑：J. Hornegger和D.Comaniciu. 边缘空间深度学习：体积图像解析的有效架构。IEEE transactions on medical imaging，2016。2[16] V. Goel，J. Weng，and P.普帕特用于深度强化学习的无监督视频对象分割。NIPS，2018年。3[17] 汉湖Yang，杨氏D. Zhang，X. Chang和X.梁增强切割--用于视频对象分割的智能体学习在CVPR，2018年。3[18] C. Heipke，H.迈尔角Wiedemann和O. Jamet自动提取道路轴线的经验评估。1998. 5[19] A. W. Hoover，V. Kouznetsova，and M. H.戈德鲍姆视网膜图像中血管的分段阈值探测匹配滤波器响应。IEEE Transactionson Medical Imaging，2000。二、五[20] Z. Jie，X. Liang，J. Feng，X. Jin，W. F. Lu和S.燕.用于顺序目标定位的树结构强化学习。NIPS，2016年。3[21] M. Kampffmeyer，A. B. Salberg和R.詹森基于深度卷积神经网络的城市遥感图像在CVPRW，2016年。1[22] V. Konda和J. N.齐齐克利斯演员-评论家算法。2002. 二、五[23] H. Larochelle和G.E. 辛顿学习结合中央凹的一瞥与三阶玻尔兹曼机。在NIPS，2010年。2[24] M. W. K. Law和A. C. S.阿忠使用最佳定向通量的三维曲线结构检测。ECCV，2008年。一、二[25] D.- T.林角，英-地C. Lei和S.- W.红。计算机辅助腹部ct图像肾脏分割。2006年医学与生物工程国际学术会议。2[26] G. Lin，L.米兰角沈和我D.里德Refinenet：用于高分辨率语义分割的多路径细化网络。在CVPR，2017年。2[27] H. Ling，S. Zhou，Y. 郑湾，澳-地 乔治斯库 Suehling，以及D. Comaniciu. 分层、基于学习的自动肝脏分割。CVPR，2008。2[28] M. G. Linguraru，J.K. Sandberg，Z.Li，F.Shah和R.M. 萨默斯利用归一化概率图谱和增强估计从ct图像中自动分割和量化肝脏和脾脏医学物理，2010年。2[29] Y. Liu，L. M.阮，新加-地Dkillannis，W. Ding和A.蒙泰亚努基于沙漏形网络的高分辨率航空影像语义分割。遥感，2017年。1[30] J. 朗 ， E. Shelhamer 和 T. 达 雷 尔 。 用 于语 义 分 段 的 全 卷 积CVPR，2015。2[31] K.- K. Maninis，J.蓬图塞特山口A. Arbelaez和L.J. 诉好极了深度视网膜图像理解。MICCAI，2016. 一、二、五、七[32] D. Marmanis，J.D. Wegner，S.Galliani，K.辛德勒M.Datcu，以及联合斯蒂拉基于cnn集成的航空影像语义分割。ISPRS，2016年。1[33] 诉Mnih和G.E. 辛顿学习从噪声数据中标记航空图像InICML，2012. 2[34] 诉Mnih，K.Kavukcuoglu，D.Silver，黑胫拟天蛾A.格雷夫斯岛安东诺格鲁D. Wierstra和M. A.里德米勒用深度强化学习玩雅达利。arXiv预印本arXiv：1312.5602，2013。2[35] A.莫辛斯卡山口Marquez-Neila，M. Kozinski和P.呸超越拓扑感知描绘的像素损失。在CVPR，2018年。一、二、五、六、八[36] J. I. Orlando和M. B.布拉施科学习全连接crfs用于视网膜图像中的血管分割。在MICCAI，2014年。二、七[37] M. A. Reza和J. Kosecka。强化学习在室内场景语义分割中的应用。arXiv预印本arXiv：1606.01178，2016。3[38] E. Ricci和R.完美基于直线算子和支持向量分类的视网膜血管分割。IEEE Transactions on Medical Imaging，2007。2[39] O.龙内贝格山口Fischer和T.布洛克斯U-网：用于生物医学图像分割的卷积网络。 MICCAI，2015. 一二四五六[40] F. Sahba，H. R. Tizhoosh和M. M. A.你好一种用于医学图像分割的强化学习框架。在2006年国际神经网络联合会议上。3[41] M. Seyedhosseini，M. Sajjadi和T.塔斯迪森基于级联层次模型和逻辑析取正态网络的图像InICCV，2014. 6[42] W.申湾Wang，Y. Jiang，Y. Wang和A. L.尤尔。用于神经元边界检测的多级多递归输入全卷积网络InICCV，2017. 一、二[43] K. Simonyan和A.齐瑟曼。用于大规模图像识别的深度卷积网络。ICLR，2015年。4[44] A. Sironi，E.图雷特肯河谷Lepetit和P.呸多尺度中心线检测。TPAMI，2016. 612657[45] J. 诉B. Soares，J.J. G. 莱安德罗河M. C. 小的，H. F. Jelinek和M.J·克里基于2-d gabor小波和监督分类的视网膜血管分割。IEEE Transactions on Medical Imaging，2006。二、七[46] G.宋，H. Myeong和K. M.李你Seednet：利用深度强化学习自动生成种子，实现强大的交互式分割。在CVPR，2018年。3[47] J. Staal，M. Abramoff，M. Niemeijer，M. Viergever和B.凡·吉内肯 。 视 网 膜 彩 色 图 像 中 的 基 于 脊 的 血 管 分 割 。 IEEETransactions on Medical Imaging，2004。二、五[48] T. 汤河Wolz，P.Coupe，J.诉Hajnal和D.鲁克特 通过判别字典学习和稀疏编码对MR图像进行分割：应用于海马标记。NeuroImage，2013. 2[49] E.图雷特肯角J. Becker，P. Glowacki，F. Benmansour和P.呸使用多方向定向通量检测灰度和彩色图像中的不规则曲线结构。InICCV，2013. 1、 2[50] C. Ventura，J.蓬图塞特凯尔斯，K.-K. Maninis和L.诉好极了用于道路拓扑提取的迭代深度学习。BMVC，2018年。2[51] S. Xie和Z.涂。整体嵌套边缘检测。IJCV，2017年。7[52] F. Yu和V.Koltun.通过扩张卷积的多尺度上下文聚合。ICLR，2016. 2[53] Q.于湖，加-地Xie，Y. Wang，Y. Zhou，E. K. Fishman和A. L.尤尔。循环显著性变换网络：为小器官分割提供多阶段视觉线索。 CVPR，2018年。 1、 2[54] S. Yun，J. Choi，Y.你，K。Yun和J.Y.崔基于深度强化学习的视觉跟踪行动决策网络。在CVPR，2017年。3[55] Y. Zhang，Z. Qiu，T. Yao，L. Liu和T.美.用于语义分割的全卷积自适应网络。CVPR，2018年。2[56] H. Zhao，J. Shi，X. Qi，X. Wang和J.贾金字塔场景解析网络