MICCAI 2017年论文
Overview：
视杯视盘精确分割后，就可以计算杯盘比了，杯盘比是青光眼疾病的主要manifestation。以往的方法往往采用监督学习的方法，这样需要大量的精确像素级别的标定。而这些标定非常费时间。所以本文为了解决这个问题，提出了一个半监督学习的方法，从一堆没有标签的数据中继承一些相似的特征，然后根据少量的有标签的图像训练一个分割模型。具体地，首先采用variational autoencoder从没有标签的图像中学习生成模型的参数，这样，这个训练好的生成模型提供了一个很好的feature embedding，在这个latent feature space中，观测图像就会聚成一簇一簇的。然后，将feature embedding与segmentation autoencoder相结合。这个segmentation autoencoder是在少量的标签数据集上训练得到的，可以获得视杯的分割。
创新点：将生成学习用于半监督的分割方法中。
基本流程：
（image auto-encoder， Generative Variational Autoencoder, GVAE）生成模型学习：用variational autoencoder学习生成模型的参数，autoencoder包含两个部分，一个是将图像映射到因变量空间，用隐变量z表示图像，叫做encoder network。一个是用隐空间变量对图像进行重构，叫做decoder network。
(image segmentation) segmentation variational autoencoder （SVAE）也包含两个部分：一个是segmentation encoder，学习分割模型的因变量表示V，一个是segmentation decoder，将分割模型的因变量表示x作为输入，学习分割的参数，输出segmentation mask。为了利用image auto-encoder从未标记数据中获得的信息，SVAE不仅需要对segmentation mask进行重构，还需要对从GVAE中学到的latent representation x进行重构。所以，loss function为：
实验：
数据：EyePACS， 12000张眼底图像。从中选600张进行了标记。600张中400张用来做训练，200张用来做测试。实验结果如下：
第一列：训练集中使用的图像的数量，相比于Unet有一个百分点的提升。而本身所使用的segmentation autoencoder相比于Unet，使用更少的数据进行训练的时候，分割精度也比Unet高，说明本身所使用的SVAE的泛化能力要优于Unet的。
最后，看论文Auto-Encoding Variational Bayes，code
总觉得这个论文似乎有点什么误会，^_^