基于CNN的医学图像分割方法

总结一下最近一段时间的学习成果

1、了解CNN      

      （1）http://cs231n.github.io/convolutional-networks/  

               斯坦福大学的关于CNN的学习资料，里面详细讲解了卷积层、池化层是怎么工作的。

      （2）Gradient-Based Learning Applied to Document Recognition   （YANN  LECUN）

               主要了解LeNet-5的基本原理。

      （3）ImageNet Classification with Deep Convolutional Neural Networks （Alex Krizhevsky ）

                     学习Alex-Net的基本原理，了解ReLU激活函数、LRN的基本概念。

      （4）Improving neural networks by preventing co-adaptation of feature detectors  （G.E.Hinton）

                 主要讲了Dropout。Dropout能够有效地解决CNN网络过拟合的问题。

      （5）Understanding the difficulty of training deep feedforward neural networks   （Xavier Glorot）

                 提出了一种CNN网络的卷积权值的初始化方法。

2、了解基于CNN的医学图像分割

      （1）Brain MRI Segmentation with Patch-based CNN Approach   （Zhipeng CUI）

                 利用CNN网络做头部肿瘤图像的分割，论文没有太大的创新点，但是论文的结构清晰，最终的分割效果也很不错，值得参考。

      （2）Brain tumor segmentation with Deep Neural Networks   （Mohammad Havaei）

                 提出了一种双通道的CNN网络结构，可以借鉴里面的思路。

      （3）Brain Tumor Segmentation Using Convolutional Neural Networks in MRI Images   （Sérgio Pereira）

3、CNN网络的代码实现

       常用的深度学习框架有Caffe、Tensorflow、MatConvnet等。其中MatConvnet是一个CNN的MATLAB工具包，  相比于其他深度学习框架，         MatConvnet更加容易上手，适合CNN的初学者。

           MatConvnet的详细信息可以参考：http://blog.csdn.net/liang_gu/article/details/61918321

4、分割效果展示