Task
寻找识别汇管区的方法
Superpixel Classification Approach （已过时）
Superpixel：包含多个像素的图像块
思想：
将像素分组为有意义的视觉基元（超像素），再对这些基元进行特征提取和分类，从而高效地完成像素级的分割任务**
实施过程
1.分割成块(大块的像素)
2.提取特征（颜色，纹理，坐标 etc）
3.使用已标注的数据集进行训练（按照1,2步对数据集进行处理，为每个超像素块设置标签，eg:当前块70%的部分为天空，则说明此块的标签便是天空）
新数据：训练完成后对应新数据同样进行1，2步骤，后放入训练好的分类器中（这里提到的是随机森林）
结果：每个超像素均被赋予了标签，那么各个区域便被赋予了标签
补充：
随机森林分类器： 一堆决策树，投票得出最终结果，并且随机森林会进行数据抽样（有放回，即Bootstrap Aggregating）和特征抽样从而建立训练样本。
概括随机森林的特点：决策树，数据抽样、特征抽样、投票机制
Simple Linear Iterative Clustering（简单线性迭代聚类）即 SLIC 算法：用于生成超像素，我们仅需传入k,k为一个图片被分割成的超像素总数
CIELAB color space 和 image clustering 是SLIC用的
Local Binary Pattern（局部二值模式）即LBP 算法：
核心思想：
局部比较：以一个像素为中心，将其与周围固定半径内的
P个邻域像素进行比较。二值化：如果邻域像素的灰度值大于或等于中心像素的灰度值，则标记为
1；否则标记为0。生成编码：按顺序（例如顺时针）将这些
0和1排列成一个二进制数串。转换为十进制：将这个二进制数转换为一个十进制数，这个值就是该中心像素的LBP编码值。
**举例说明：**假设有一个3x3的区域，中心点灰度值为50，周围8个点的灰度值为 [55, 40, 60, 45, 50, 65, 35, 70]。比较后得到的二进制序列为：
1, 0, 1, 0, 1, 1, 0, 1。将这个二进制数10101101转换为十进制，就是173。这个173就是这个中心点的LBP纹理值。
上述三个算法的总结
SLIC算法 作为先锋，将图像分割成一个个规整的超像素区域。
LBP算法 作为测量师，为每个超像素区域计算其纹理特征。
随机森林 作为统帅，综合颜色、纹理、位置等多种特征，对每个超像素进行最终分类。
它们共同构成了深度学习时代之前，解决图像分割和场景理解问题的一个非常强大和流行的技术栈。
现有方案：全卷积网络
难点：
1.像素级标注
1. 标注的格式：像素级语义分割
这不仅仅是画个框或者打个标签，而是需要在图像上为每一个像素都赋予一个类别标签。通常我们会创建一张与原始图像尺寸相同的掩码图：
背景像素：标记为 0
汇管区像素：标记为 1
有些更精细的标注甚至会区分汇管区内的不同结构（如胆管、门静脉等），这就是实例分割或多类别语义分割了。
2.足够数量的高质量像素级标注
建议的解决方案
1. 数据增强对已有的标注图像进行随机的、不影响标签的变换，如旋转、翻转、缩放、亮度调整、弹性形变等。这能从一个样本“创造”出多个新样本，显著增加数据的多样性，是一种低成本提升模型泛化能力的有效手段。
2. 迁移学习
在一个大型的通用图像数据集（如ImageNet）上预训练模型的编码器部分。
然后将这个预训练好的模型，用您相对较少的肝脏汇管区标注数据来进行微调。
模型在大型数据集上学到的通用特征（如边缘、纹理、形状）可以很好地迁移到医学图像任务上，从而大幅减少对特定任务标注数据量的需求，并加快训练速度。
3. 弱监督与半监督学习
弱监督：使用更便宜、更容易获得的标注形式来训练模型，例如只标注图像中是否包含汇管区（图像级标签），或者用矩形框框出汇管区（ bounding-box 标签），而不是精确的像素级标注。
半监督：同时使用少量昂贵的像素级标注数据和大量未标注数据进行训练，利用未标注数据中的分布信息来提升模型性能。
4. 主动学习让模型在训练过程中“主动”选择那些对自己学习最有价值的、最“不确定”的样本，交给专家进行标注。这样可以优先标注“信息量最大”的样本，用最少的标注成本达到最佳的性能。
文章采用多尺度超像素分类
这种方法已被端到端的深度学习在性能上超越
过程
当前问题：
目前了解到的方法均需要已含对汇管区进行标注的数据
正常切片的汇管区和非正常的有何区别