论文题目：SPNet: Shape Prediction Using a Fully Convolutional Neural Network

论文地址：暂无

前言

在目前的深度分割网络中，几乎所有的损失函数的定义都是像素化的，对像素进行分类是不易于学习形状信息的，所以本文将分割区域约束为一类学习形状，通过学习形状信息来约束分割结果。

核心内容

1.提出了一种新的形状预测网络用于目标的分割。

2.提出了一种新的损失函数对所提的网络进行训练，损失函数计算的是形状域内的误差。

数据集和金标准的生成数据集：颈椎侧面x线图片，训练集(124张，586个颈椎)测试集(172张，797个颈椎)

2.将每个训练椎骨的金标准转换成有符号的距离函数(SDF)将人工标注的椎体边界曲线上的像素赋值零

然后根据对应像素与零值像素集之间的欧几里得距离的不确定度对所有其他像素进行赋值(图f)

将所有的训练椎体形状转换为相应的符号距离函数后，进行主成分分析(PCA)。PCA可以使每个SDF被平均SDF表示。w是矩阵的特征向量，b是形状参数向量所以每次训练都可以计算b， φ d 是SDF矩阵矢量化的差异，是训练的金标准

网络结构

方法

网络的最终预测是计算形状参数向量b：

loss是：

结果

两种评价指标：ground truth curve error (E p2c ) and the Hausdorff distance (d H )

前两个网络直接预测形状参数矢量 ˆ b，loss用的都是论文中提到的Euclidean distance。SPNet是产生不同的SDF( ˆ Φ d )，再去预测形状参数矢量ˆ b，loss用的是文章中提到的loss

结论

本文提出了一种利用良好学习能力的深度网络，从像素-像素映射的unet型映射学习从输入图片中学习目标的形状。并且loss采用的不是基于分割网络的loss而是基于形状参数空间的loss。好处是鼓励学习高级形状信息，训练形状，不易出现噪点。

体会

可以考虑形状的约束来进行分割，无论是基于loss的还是基于底层细节信息描述边缘信息来进行边缘的约束的。