通过形状约束来提升病灶区域的分割。（记录一下自己的想法）

• 肿瘤分割对边缘信息提取的要求较高：

1. 使用单分类：只学习病变部分，然后将完整CT 图像喂入模型寻找并分割病变位置。（完成）
2. 使用多分类：将整个器官分离出来，并对病灶区域进行标注（进行中，目前绝大部分论文研究也处于这个阶段）
3. 对病灶区域进行病变分类（eg：胰腺癌也分为很多种类型）（这个需要较强的医学背景，暂时还做不了）

• 参考论文

1. Edge-Gated CNNs forVolumetric Semantic Segmentation of Medical Images （MIDL2020）  https://arxiv.xilesou.top/pdf/2002.04207.pdf

2. Gated-SCNN: Gated Shape CNNs for Semantic Segmentation （ICCV 2019）http://openaccess.thecvf.com/content_ICCV_2019/papers/Takikawa_Gated-SCNN_Gated_Shape_CNNs_for_Semantic_Segmentation_ICCV_2019_paper.pdf   github:https://github.com/nv-tlabs/GSCNN/blob/master/network/gscnn.py

• 这两篇论文都用到了sobel算子提取边缘信息（mask）：

1. 主干网络都是使用的传统经典网络：提取纹理信息和语义信息
2. 分支都是专门用来控制形状流。
3. 损失函数的设置：目前损失函数的设置都是多个损失函数加权叠加。（不同的损失函数解决不同的关系）

• 实验数据集的选择：

1. 2018MICCAI 十项全能挑战赛 胰腺
2. Kits 2019 肾脏  https://arxiv.xilesou.top/pdf/1904.00445v1.pdf