文章提出了一种基于深度学习的前哨淋巴结节点转移瘤识别方法。文章使用数百万组织切片训练深度卷积神经网络，进行正常切片与肿瘤切片的切片级预测。之后，结合切片预测结果生成肿瘤概率热力图，对热力图进行后处理，完成基于幻灯片的分类任务和肿瘤定位任务。文章所提出的系统以接近人类的准确率赢得了2016年Camelyon 挑战大赛。最终，将深度学习预测结果与病理学家诊断结果相结合，从而显著减小了病理学家的错误率。

文章提出了一种基于深度学习的前哨淋巴结节点转移瘤识别方法。文章使用数百万组织切片训练深度卷积神经网络，进行正常切片与肿瘤切片的切片级预测。之后，结合切片预测结果生成肿瘤概率热力图，对热力图进行后处理，完成基于幻灯片的分类任务和肿瘤定位任务。文章所提出的系统以接近人类的准确率赢得了2016年Camelyon 挑战大赛。最终，将深度学习预测结果与病理学家诊断结果相结合，从而显著减小了病理学家的错误率。

细粒度视觉识别之双线性CNN模型[1] Lin T Y, RoyChowdhury A, Maji S. Bilinear cnn models for fine-grained visual recognition[C]//Proceedings of the IEEE International Conference on Computer Vision. 2015: 1449-1457.

本文旨在实现使用摄像头采集视频，并且可以在网页实时显示，主要参考的两篇博文为：1. 视频实时显示的三种方案2. 使用WebSockets进行HTML5视频直播我们使用博文1介绍的第三种方案，将摄像头采集到的视频流使用ffmpeg进行编码，并且将其推送给远程服务器，在远程服务器使用stream-server.js处理视频流并且在网页上显示出来。由于原博文介绍详尽，本处不再赘述。注意：客

文章提出了一种基于深度学习的前哨淋巴结节点转移瘤识别方法。文章使用数百万组织切片训练深度卷积神经网络，进行正常切片与肿瘤切片的切片级预测。之后，结合切片预测结果生成肿瘤概率热力图，对热力图进行后处理，完成基于幻灯片的分类任务和肿瘤定位任务。文章所提出的系统以接近人类的准确率赢得了2016年Camelyon 挑战大赛。最终，将深度学习预测结果与病理学家诊断结果相结合，从而显著减小了病理学家的错误率。

本文翻译自Qure.ai Blog，原文链接A 2017 Guide to Semantic Segmentation with Deep Learning作者主要从事语义分割及物体检测等研究，因此有兴趣于回顾行业现状。本文中，作者回顾了语义分割相关文献。大多数语义分割的研究使用自然或现实世界的图像数据集。尽管其结果不能直接用于医疗图像，作者回顾这些文献是因为基于自然图像的研究要远远多于医

本文为论文阅读笔记，不当之处，敬请指正。A Review on Deep Learning Techniques Applied to Semantic Segmentation:原文链接5.1度量标准为何需要语义分割系统的评价标准？为了衡量分割系统的作用及贡献，其性能需要经过严格评估。并且，评估须使用标准、公认的方法以保证公平性。系统的多个方面需要被测试以评估其有效性，