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