理解论文 Generalised Wasserstein Dice Score for Imbalanced Multi-class Segmentation using Holistic Convolutional Networks
Abstract
1.基于概率label空间上的Wasserstein距离，提出了一种基于语义信息的dice分数多类分割方法。
2.我们提出了一个整体的CNN，在多个尺度上嵌入空间信息和深度监督。
3.我们表明，holistic CNN和广义Wasserstein Dice Score的联合使用实现了对脑肿瘤分割更有语义意义的分割。
一、Introduction
1.文章提出了两个互补的贡献，使用脑肿瘤结构的先验知识。
（1）使用Wasserstein 距离，它可以自然地嵌入classes之间的语义关系，用于label probability vectors的比较，来推广用于multi-class segmentation的dice score。
（2）其次，在Holistically-Nested Real-Time Segmentation of Robotic Surgical Tools.和Holistically-nested edge detection.这两篇文章的启发下，我们提出了一种新的holistic CNN体系结构，它在不同尺度上嵌入空间信息，并在CNN训练过程中引入deep supervision。
二、A Wasserstein approach for multi-class soft Dice score
三、Holistic convolutional networks for multi-scale fusion
1.文章Holistically-nested edge detection.提出了一种holistically-nested convolutional neural network (HCNN)方法，针对文章Holistically-nested edge detection.中提出的整体嵌套边缘检测(HED)算法在不平衡多类脑肿瘤分割中的应用。
2.HCNN具有多尺度预测和中间监督的特点。 它可以使用一个fusion层产生统一的输出，同时在loss中隐式地嵌入空间信息。
3.本文进一步提高了HCNNs处理不平衡数据集的能力，利用提出的广义Wasserstein Dice Loss。
4.Multi-scale prediction to leverage spatial consistency in the loss
（1）提出的网络结构如下图2：
