論文分享 T-Net: A Template-Supervised Network for Task-specific

T-Net: A Template-Supervised Network for Task-specific Feature Extraction in Biomedical Image Analysis

T-Net 結構概述：

Encoding Network在模板（三種）的監督下學習特徵表示，模板是通過不同的下采樣策略從GT（即mask）中生成的。 然後，將網絡提取的特徵作爲後驗網絡的輸入，進行進一步的分析，如病理診斷、病變器官檢測和異常組織分割。

Template：

1. NN Template: The most intuitive way to generate templates is by directly down-sampling the binary mask of the recognition target with nearest-neighbor interpolation.
2. Gaussian Template: To make the encoding network pay additional attention to the area outside the boundary of targets, we expand the NN template by applying a normalized Gaussian filter with a stride s.
3. Distmap Template: To encourage the encoding network to focus on the object center, we transform the NN template into a normalized distance map.
   

網絡結構：

我們給出了T-Net的詳細結構，包括一個用於分割的Up-sampling Network和一個用於定位的Detection Network。T-Net以Encoding Network爲主幹來提取多層次特徵，這些特徵被作爲後驗網絡的輸入，進行進一步的分析。網絡結構由Dense V-Net改進而來，該網絡利用了密集連接，以提高學習能力。需要注意的是，後驗網絡可以根據具體的分析任務以其他形式存在。

Loss

1. Template loss
   
2. Up-sampling Loss
   
3. Location Loss
   
   

訓練策略

首先用生成的模板訓練Encoding Network，然後用fixed（凍結）的Encoding Network訓練後驗網絡。具體來說，我們也可以在不凍結的情況下訓練後驗網絡，但這超出了我們的主題，我們將投入我們未來的工作。

算法評價