One-Pass Multi-task Convolutional Neural Networks for Efficient Brain Tumor Segmentation_one-pass multi-task networks with cross-task guide

method:

首先：用三个网络来训练，分别针对comlete区域，core区域，和enhancing区域（使用网络OM-net）

1.使用随机采样从MRI大脑图像中采块，训练，分类器分为5类，最后测试的时候直接测出complete区域，得到粗分割，并且使用腐蚀的方法，平滑complete，消除一些假阴性

2.训练样本是从complete中提取，训练，分类，我的理解应该是分为core里面的3类，得到一个相对细分割，预测的时候仅对complete里的区域进行预测，

3.训练样本是从core里面提取，从里面分出enhancing类

最后，我的理解是结合这三个结果得到最后的分割。

our method:One-Pass Multi-task Convolutional Neural Networks for Efficient Brain Tumor Segmentation

1.data1训练数据应该是跟上面的complete区域一样,然后随着损失平稳了之后再加上第二个任务

2.data2是靠batch维度跟data1融合，输入，最后在slice层分开，也是按batch 维度分开，并且concat第一个任务与第二个的特征图传给任务2最后的卷积层和分类器，然后反传，就传到了第一个任务，相当于第二个任务对第一个任务的权重也有影响，相当于实现了权值共享的影响

3.data3是靠batch维度跟data1,data2，融合，输入，最后在slice层分开，最后在concat那里融合，最后给分类器（与上面的一样）

因为最后不同任务的特征需要融合，所以采样得满足以下条件，（没懂？？？）

li代表第几个像素，complete代表4个肿瘤类别，也就是一个patch块的肿瘤类别数量除以n要大于0.4

core代表3类，patch像素属于这3类的数量除以n要大于0.5

总结：

1.OMnet的效果和3个网络拆开训练的效果差不多，但是速度要快很多

2.这个多任务学习跟传统的多任务学习不一样，这个是由粗到细，利用不同训练数据的一个多任务学习网络

后处理方法：

1.首先计算3维连通域，将小于最大肿瘤区10分之1小的肿瘤簇去掉

2.首先根据亮度将edema分为两组（怎么分的？？），用聚类的方法计算每一组相对于输出网络属于水肿的概率的平均概率，最后聚类结束后，·平均概率大的将edema转为non-enhancing（因为有一些non-enhancing被误分为水肿，这些我自己的网络是否存在？还不知道以后可以看一看？？？）