医学图像分析，多任务学习，图像分类，图像分割，U-Net，后处理
该论文是18年发布的，提出了一种基于Deep U-Net的多任务学习框架，用于GE-MRI左心房分割，该框架同时执行心房分割和消融前后分类。虽然论文已经很老了，但是改论文提出的多任务和后处理方法到现在还是可以参考的。
多任务U-Net
图像分割
多任务深度U-Net是在二维U-Net基础上发展而来的。数据集的图像在x-y平面上的最大尺寸为640 × 640，通过增加池化层来增加U-Net的接收域。它由5个下采样块和5个上采样块组成，使用BN和ReLU。通过聚合从下采样路径和上采样路径学到的不同尺度的粗和细特征，网络应比没有聚合操作的网络获得更好的分割性能。
完整文章：
https://avoid.overfit.cn/post/4cba50b965f7491ebb423495a9ee0dbb
标签：采样,分割,论文,GE,MRI,图像,Net,多任务 From： https://www.cnblogs.com/deephub/p/16865582.html