Automatic Tumor Segmentation from MRI scans 阅读笔记

Good

2017-07-12 Automatic Tumor Segmentation from MRI scans 阅读笔记
*Abstract*
这篇文章的灵感来自于全卷积网络在肿瘤分割中的应用。但是由于肿瘤的形状，大小，以及对比度各有差异。所以训练一个灵活容量大的深度网络是非常有必要的。文中使用了BRATS数据，同样也采用了图像块的思路，最终的accuracy是93%（分类准确率），并不是分割的准确率。
1.Introduction
一些肿瘤很容易分割出来，但是胶质瘤很难定位，有两个方面的原因。第一是：肿瘤与他周围的组织很难分辨出来。第二是肿瘤可以在脑部的任何区域，不固定，而且大小形状多变。
文章也是使用图像块，并且以图像块对应的中心像素的灰度值为label，图像块的大小为(30x30)。并且使用了多模态的数据，也就是Flair,T1,T1c,T2.这四个作为channels。
作者说本文的目的不仅仅是分割肿瘤，而是把肿瘤内部的也分开来。(也就是进行分级，5级，正常组织，水肿，非增强，坏死，增强)!!!!!!!!!
因此网络的输入是（4x30x30）的图像块，输出是对应的级别(class).
2.相关工作
在CNN之前，用的比较多的是阈值化以及区域法。还有两大类，一类是生成模型，另一类是分辨模型(discriminative).生成模型需要一些先验知识，而其他的神经网络不需要。还有一种使用two-pathway architecture,其实就是unet.在另一种方法中，代替从CNN输出标签，输出一个区域的概率分布，这些概率分布在最后被合并以给出最终的分割，其实就是分类，然后去重建图像。比较出众的全卷积网络在分割中比较出众，但是计算量太大。
3.方法 CNN
超参数：学习率，batch-size，weight decay
4.数据
数据来自BRATS这个竞赛，提取30x30的图像块，但是怎么提没说清楚，对每一个patch用N4ITK偏置场矫正。（这个一直没明白，确实需要看看了）。提取完图像记得shuffle， 最终提取出来的图像块，75%做训练，15%做验证，10%做测试集。
就这样作者突然给出分割结果，这个地方没有说明白也是让我不爽。然后给出计算dice系数的公式，就是计算重叠率。
分割结果：

T0是原始正例，T1是原始反例，P0是预测正例，p1是预测反例。dice系数就重叠的部分的2倍占二者相加的和
5.结果与讨论
作者给出的准确率是93%，这是分类的准确率，但不是分割的准确率。网络结构比较简单，
conv->relu->pool->conv->relu->conv->relu->conv->relu->conv->relu->fc
上图：

作者尝试了4层和3层卷积层，效果都不如5层的好，所以就选择了5层。
网络参数图：

作者为什么选择50个featyre map并没有给出甚麽解释，只是说先试了25个feature map，然后试了50个feature map。50个比25个好，所以就选择了50.并没有专门对map的个数进行tune。
关于pool层的选择，作者的解释没怎么看懂。大概意思值只有一个卷积层就足够了，如果pool紧靠第一个conv之后放置，则可以看到最佳的堆积。可能是因为一个patch与另一个patch之间有太多的重叠。？？？？确实没看懂。
learning rate，作者也说adam是比较更好的，可以省去你调整超参数的时间。作者也给出了最好的超参数：
base_lr = base_lr*(1+gamma*iter)^(-power) base_lr = 0.001, gamma = 0.0001, power = 0.75
batch_size = 128.(最好选择2的幂次方)。作何竟然说跑了2轮之后acc就没有提，也就是说2轮就收敛了。我的天！！！！
kernel = 3
acc与loss图：

数据分布与准确率：

ok，还有一些没看太懂的地方。请多喷，谢谢。

来源：https://blog.csdn.net/qq_18293213/article/details/75007573
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！