key：冠脉、肺动脉、肺静脉、主动脉、气管、血管vesselvac、分割seg
medicalsegmetatioORcoroaryarteryORpulmoaryarteriesORpulmoaryveisORaortaORairwayORroadORvesselORvascularORretialORreal
(source:"IEEEtrasactiosomedicalimagig"OR
source:"Medicalimageaalysis"OR
source:"IEEEJouralofBiomedicaladHealthIformatics"OR
source:"IEEETrasactiosoBiomedicalEgieerig"OR
source:"MICCAI"OR
source:"cvf"OR
source:"NeuralIformatioProcessigSystems"OR
source:"ECCV")
CVPR
2022BloodVesselSegmetatiofromLow-CotrastadWide-FieldOpticalMicroscopicImagesofCraialWidowbyAttetio-Gate-BasedNetwork
基于注意力门的网络从颅窗的低对比度和宽视场光学显微图像中分割血管
问题：低对比度和宽视场、硬脑膜闭塞（动静脉栓塞）、组织影响血管观测
目的：协助观察血管结构的研究人员
手段：
- attetioUet+clDice
AttetioGate(AG)减少了不相关的特征，是AttetioU-Net最关键的方法。来自跳过连接和前一个上采样层的特征图是注意力门的输入。 - 此外，对于低对比度和部分遮挡问题，我们使用对比度增强和去雾、gamma校正、双边滤波器去噪、灰度反转、作为预处理步骤。
2010：KaimigHe,JiaSu,adXiaoouTag.Sigleimagehazeremovalusigdarkchaelprior.IEEEtrasactiosopatteraalysisadmachieitelligece
对比度：
- 眼底图像分割：绿色通道对比度更高
- 对比度增强：CotrastLimitedAdaptiveHistogramEqualizatio(CLAHE)
指标：Dicescoreof75.56%,aclDicescoreof79.95%,Accuracyof91.41%
2021clDice（ceterlie）：基于拓扑信息，以提高管状结构分割结果的连通性。
aNovelTopology-PreservigLossFuctioforTubularStructureSegmetatio
应用/目的：topologicallyaccuratesegmetatio
、曲线、连通性：血管、显微图像/光学/放射图像、卫星遥感、工业质量控制。
metric：overlap-based、volumetricdistace。
血管不连通往往代表着很多病变或者问题，但是如果只是半径偏大偏小，则影响相对不大。
问题：对于管道结构，基于体积的性能指标不是最优的。
解决：拓扑保存，损失函数中引入形态骨架信息（连通性保留）。
公式：
SoftDice=Dice+平滑因子来改善其梯度性质
关于骨架提取：先腐蚀后膨胀。
CVPR2020：M2U-Net视网膜分割，编解码过程轻量化魔改（ARM部署）
眼睛的机器人显微手术中（实时）。我们期望该架构也可以成功应用于相关任务，例如卫星图像上的道路分割或城市场景的语义分割
每只人眼的视网膜血管都是独一无二的，在没有病变的情况下，在人的一生中都不会改变。
在生物认证系统中，血管结构本身通常用作特征模式
- pretraied：MobileNetV2
- UNet结构
- 三个公开可用的视网膜眼底图像数据集上进行了测试，这些数据集带有注释的血管地面真实标签：DRIVE[43]、CHASEDB1[18]和HRF[23]
CVPR2022：Semi-SupervisedSematicSegmetatioofVesselImagesusigLeakigPerturbatios
有限数据：,DRIVE[40],STARE[17]adCHASE_DB1[10].
LeakigGAN：从生成器中泄漏信息来污染鉴别器。这导致更温和的GAN训练。
有三种输入（标记的、未标记的和伪造的数据）输入鉴别器。
- UNet风格的鉴别器
- leak：泛化
- 均值教师机制：AttiTarvaieadHarriValpola.Meateachersarebetterrolemodels:Weight-averagedcosistecytargetsimprovesemi-superviseddeeplearigresults.IAdvacesiNeuralIformatioProcessigSystems(NeurIPS),pages1196–1205,2017.
医学图像通常是从不同的扫描仪和环境中获取的，例如光线、角度，这些都会改变图像的外观。
注意：微血管可以只有一个到几个像素那么薄
CVPR2021：Self-SupervisedVesselSegmetatioviaAdversarialLearig
省流：
难题：数据少，血管和组织难分（低剂量的辐射时，需要造影剂的辅助）、
我们的方法通过训练注意力引导生成器和分割生成器来同时合成假血管并从冠状动脉造影中分割血管来学习血管表征。并可以用到许多下游血管分割任务上（G网络作为特征提取器）。并且自己攒了一个数据集。
- CycleGAN的循环一致性
第一个设计用于血管分割的自监督方法的人。
CycleGAN的循环一致性：
CycleGAN是一种基于对抗网络的图像转换方法，其中包括两个生成器和两个判别器。CycleGAN中的循环一致性思想指的是，在两个不同的领域之间进行图像转换时，应该保持图像在相互转换后，能够再次转换回原始领域，从而实现“循环一致性”。
具体地说，假设有两个领域A和B，可以使用一个生成器将A领域的图像转换为B领域的图像，并使用另一个生成器将B领域的图像转换为A领域的图像。在传统的对抗网络训练中，只需要衡量生成器输出图像与真实图像之间的差异，即可进行训练。但是，这种训练方式可能导致生成器学习到的效果不理想，因为它无法保证转换后的图像可以再次被还原为原始图像。
因此，在CycleGAN中引入了循环一致性损失，以确保转换后的图像可以再次被还原为原始图像。具体来说，循环一致性损失将生成器的输出图像再次输入到另一个生成器中，进行反向转换，使其回到原始领域。如果这些重新转换的图像与原始图像相似，则认为模型学习到了循环一致性，否则需要通过优化循环一致性损失来提高模型的性能。
在血管分割任务中，CycleGAN的循环一致性思想被用来实现血管的合成和分割之间的循环一致性。具体地说，在这个任务中，将两个对抗网络（一个用于血管合成，另一个用于血管分割）结合在一起，并且通过循环一致性损失来保证重构的冠状动脉造影图和血管分割图的一致性。这种方法可以提高模型的稳定性和鲁棒性，并且可以处理无标注数据的血管分割任务。
域适应：DomaiAdaptatio
在域适应中，通常会将一个已经有注释的数据集（源域）的知识或特征迁移到另一个没有注释的数据集（目标域）中，以提高目标域任务的性能。在语义分割等任务中，对抗网络被广泛应用于域适应中。对抗性训练可以通过生成领域不变的特征来解决域间差异问题，并保存数据结构的一致性。
精读：
标记数据少：会严重影响监督方法和领域自适应方法。
这是一种机器学习中的技术，用于解决在模型训练和测试时数据集分布不匹配问题。通过领域自适应方法，可以提高模型在目标领域中的泛化能力和鲁棒性。
医学图像的微妙结构和混乱背景进一步抑制了无监督方法的有效性
医学图像通常具有复杂的结构和多样化的特征，同时还受到光线、噪声等因素的影响，这些因素都会使得图像背景变得特殊和难以处理。因此，在医学图像处理中，需要针对特殊的背景和结构设计相应的算法来提高无监督方法的有效性。
有限数据：XCAD数据集（冠状动脉造影序列）、DRIVE数据集和STARE数据集
X射线血管造影被视为冠状动脉疾病诊断的金标准。
现有的血管分割方法可分为四大类：
- 传统方法[17、23]：预定义规则，需要大量专业知识和手动模型调整，导致模型表现力和通用性有限。
- 监督方法[8、25]：
- 领域自适应方法[3、31]：域适应方法的有效性在很大程度上取决于带注释的源域数据集的质量，并受源域和目标域之间差距的约束。
- 无监督方法[4、15]。
优势：
第一个设计用于血管分割的自我监督方法的人。我们的方法解决了冠状动脉造影和视网膜图像的血管分割任务，使用从未注释的冠状动脉造影图像中学习的自监督血管表示
自然图像方法不好迁移：
由于医学图像棘手的特性——许多细小的分支和令人困惑的背景伪影。
"TemporalOrderVerificatio"（时间顺序验证）：
是一种自监督学习方法，主要用于处理时序数据。在这种方法中，模型需要根据给定的输入数据来预测它们之间的时间关系是否正确。具体地说，在给定一个由多个时间步组成的序列数据时，模型需要学习如何检测和预测这些时间步之间的时间关系。
例如，在视频分析领域中，可以使用该方法来学习分辨不同帧之间的时间关系，例如前后帧是否连续或出现了跳跃。在自然语言处理领域中，可以使用该方法来学习单词或句子之间的时间关系，例如预测一句话中两个单词的先后顺序是否正确等。
通过这种方法，模型可以利用时间序列数据中的自然时间信号来生成标签，从而学习到对时序数据更有意义的特征表示，这些特征表示可以用于许多任务，例如时间序列分类、预测和生成等。与其他自监督学习方法类似，这种方法也无需人工标注数据，因此可以大大降低数据成本。
在病灶检测任务中，可以使用时间顺序验证来学习从多个切片中检测和跟踪病灶的位置和形状，从而更好地定位和区分不同类型的病变。
