[survey] 既存研究調査

[uchihashikenshi]

• 神経線維画像のsegmentation, 普通のsegmentationモデル, conditional GANぐらい

[uchihashikenshi]

Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images

• NIPS, 2012
• ISBI 2012 EM segmentation challengeのデータを使用
  • 512 × 512 × 30スタック
• rand error, warping error, pixel errorの３つで評価

[uchihashikenshi]

Deep Contextual Networks for Neuronal Structure Segmentation

• AAAI, 2016
• ISBI 2012 EM segmentation challengeのデータを使用しSoTA
• 低レイヤーもsuperviseされているNNを提案
  • globalな情報はwhat (i.e., classification) を, localな情報はwhereを (i.e., localization)に効くとか
• さらっと書かれているがscaling, rotation, flipping, mirroring, elastic distortionによるdata augmentationによってデータを10倍に増やしている
  • これは再現しなくて良いと思うが, おそらく精度にはかなり影響する

[uchihashikenshi]

U-Net: Convolutional Networks for Biomedical Image Segementation

• MICCAI, 2015
• ISBI 2012 EM segmentation challengeのデータを使用しSoTA
• convolutionしてからdeconvolutionしてsegmentation mapを直接出力する

[uchihashikenshi]

Image-to-Image Translation with Conditional Adversarial Networks

• arXiv, 2016/11/21
• 条件付き生成モデルで, 任意の画像変換を学習可能
• 多分今はstackGANに負けてる
• 少ない画像, 短時間で学習可能であるという大きなメリットがあるが, 逆に大量画像には向かないとも

[uchihashikenshi]

stackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks

• arXiv, 2016/12/10
• 条件付き生成モデルでおそらく最強
  • ただし, text2imageでは出力の分布が簡単になるからだと言われている
• text2imageのGANとアップスケーラGANのstack
• 実験コスト, 実装難易度ともに非常に高い

[uchihashikenshi]

Parallel Multi-Dimensional LSTM, With Application to Fast Biomedical Volumetric Image Segmentation

• NIPS, 2015
• LSTMでコンテキスト情報を入れようというもので, 発想としてはpixel RNNに近い
• ISBI 2012に加えてISBI 2015 MR Brain imagesも使っている
  • brainでSoTA, EMでcompetitive
• 実装はしんどいと思う

[uchihashikenshi]

ISBI Challenge: Segmentation of neuronal structures in EM stacks のleading group: http://brainiac2.mit.edu/isbi_challenge/leaders-board