文献综述（或调研报告）：
- 经典分割模型
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种强大的计算机视觉模型，它非常擅长从图像中提取特征，并最终给出对于整个图像的预测结果。然而，如果我们想要获得像素级的分类结果，也就是我们所说的语义分割，经典的卷积网络显然是不够的。
2015年，全卷积神经网络[1]（Fully Convolutional Networks，简称FCN）的提出为语义分割的发展做出了巨大贡献。经典的卷积神经网络由输入层、若干隐藏层和输出层组成，其中每一层隐藏层又由卷积层、激活函数和池化层组成。而FCN与CNN的区别主要在于输出层，FCN用反卷积层替换了CNN中的全连接层，对特征提取的结果进行上采样，最后得到一个与原图尺寸相同的输出，从而实现了像素级的分割。
在FCN的基础上，又出现了很多用于语义分割的神经网络，U-Net[2]就是一种适用于生物医学图像分割的神经网络。与FCN不同，U-Net采用了完全对称的下采样和上采样结构，而不是像FCN一样在最后输出前才进行上采样。实验表明，U-Net在生物医学领域，如细胞电子显微镜图像分割等问题上有着较为出色的表现。
上述两种网络的结构基本上继承了经典的卷积神经网络，还有一些分割网络的设计思路相对要特别一些，比如Kaiming He在2017年提出来的Mask R-CNN[3]则在卷积神经网络的基础上做了更大的改动。同样是采用卷积网络进行特征提取，Mask R-CNN接下来使用了区域建议网络通过滑动窗口寻找目标模型，找到一个再对目标矩形进行更精细地裁剪。不过Mask R-CNN更适合去做一些instance-level的检测，如果需要分割的物体尺寸过小，可能会达不到预期的效果。
- 基于弱监督的语义分割
基于上述分割网络，我们可以得出语义分割问题的本质是用卷积网络提取图像中的特征，再通过对特征的处理获得分割结果。但当我们使用弱监督的标签进行训练的时候，我们则需要对我们现有的算法进行调整，把更多的注意力放在图像本身的特征上。
Alexander等人在[4]中提出了弱监督语义分割的三个原则：seed，expand和constrain。Seed指通过特征提取获得物体在图像中的大致位置、expand指从大致位置出发根据图像的全局信息去拓展、constrain是指根据物体的边界去限制上一步的拓展。根据以上三个原则，这篇文章提出了三个残差函数（loss function），通过实验验证，这些残差函数在弱监督分割问题中起得了积极的作用。
类似的还有[5]中提到的方法，它首先利用图像级的标签训练一个分类网络，为待分割的目标寻找一个大致的位置，这一步结束后生成像素级的标签，并将当前的标签放入弱监督网络再次学习，最后，利用区域增长的算法完善前两步的学习成果。以上两种方法都利用了先定位后增长的分割思路。
[6]中就图像级标签语义分割问题提出了一些更为直接的思路。这篇文章提出了一个从简单到复杂的学习框架，首先不适用标签对原始的图像进行无监督特征提取，得到一个最原始的分割结果；然后，将第一步的分割结果与全局标签融合，放进一个增强的神经网络进行第二次学习；最后，把第二次学习的结果再次与图像级标签融合，使用更强的神经网络进行训练，得到最终的预测结果。
还有一些弱监督的分割算法，并不是基于图像级的标签，而是基于bouding_box的弱监督标签。Bounding_box的标签完成了大致图像定位的工作，剩下的则需要对目标框内的物体进行更细致的分割。[7]和[8]中都提出了对Bouding_box标注数据进行分割的模型，并且取得了非常接近完全监督的训练成果。不过，由于我们需要处理的肿瘤形状较为不规则，暂时不考虑基于Bounding_box的弱监督算法。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
