AutomaticTumorSegmentationfromMRIscans阅读笔记

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&＃xff0c;大小&＃xff0c;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&＃xff0c;同样也采用了图像块的思路&＃xff0c;最终的accuracy是93%&＃xff08;分类准确率&＃xff09;&＃xff0c;并不是分割的准确率。
1.Introduction
一些肿瘤很容易分割出来&＃xff0c;但是胶质瘤很难定位&＃xff0c;有两个方面的原因。第一是&＃xff1a;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&＃xff0c;不固定&＃xff0c;而且大小形状多变。
文章也是使用图像块&＃xff0c;并且以图像块对应的中心像素的灰度值为label&＃xff0c;图像块的大小为(30x30)。并且使用了多模态的数据&＃xff0c;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&＃xff0c;而是把肿瘤内部的也分开来。(也就是进行分级&＃xff0c;5级&＃xff0c;正常组织&＃xff0c;水肿&＃xff0c;非增强&＃xff0c;坏死&＃xff0c;增强)!!!!!!!!!
因此网络的输入是&＃xff08;4x30x30&＃xff09;的图像块&＃xff0c;输出是对应的级别(class).
2.相关工作
在CNN之前&＃xff0c;用的比较多的是阈值化以及区域法。还有两大类&＃xff0c;一类是生成模型&＃xff0c;另一类是分辨模型(discriminative).生成模型需要一些先验知识&＃xff0c;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&＃xff0c;代替从CNN输出标签&＃xff0c;输出一个区域的概率分布&＃xff0c;这些概率分布在最后被合并以给出最终的分割&＃xff0c;其实就是分类&＃xff0c;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&＃xff0c;但是计算量太大。
3.方法 CNN
超参数&＃xff1a;学习率&＃xff0c;batch-size&＃xff0c;weight decay
4.数据
数据来自BRATS这个竞赛&＃xff0c;提取30x30的图像块&＃xff0c;但是怎么提没说清楚&＃xff0c;对每一个patch用N4ITK偏置场矫正。&＃xff08;这个一直没明白&＃xff0c;确实需要看看了&＃xff09;。提取完图像记得shuffle&＃xff0c; 最终提取出来的图像块&＃xff0c;75%做训练&＃xff0c;15%做验证&＃xff0c;10%做测试集。
就这样作者突然给出分割结果&＃xff0c;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&＃xff0c;就是计算重叠率。
分割结果&＃xff1a;

T0是原始正例&＃xff0c;T1是原始反例&＃xff0c;P0是预测正例&＃xff0c;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%&＃xff0c;这是分类的准确率&＃xff0c;但不是分割的准确率。网络结构比较简单&＃xff0c;
conv->relu->pool->conv->relu->conv->relu->conv->relu->conv->relu->fc
上图&＃xff1a;

作者尝试了4层和3层卷积层&＃xff0c;效果都不如5层的好&＃xff0c;所以就选择了5层。
网络参数图&＃xff1a;

作者为什么选择50个featyre map并没有给出甚麽解释&＃xff0c;只是说先试了25个feature map&＃xff0c;然后试了50个feature map。50个比25个好&＃xff0c;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&＃xff0c;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&＃xff0c;如果pool紧靠第一个conv之后放置&＃xff0c;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。&＃xff1f;&＃xff1f;&＃xff1f;&＃xff1f;确实没看懂。
learning rate&＃xff0c;作者也说adam是比较更好的&＃xff0c;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&＃xff1a;
base_lr &＃61; base_lr*(1&＃43;gamma*iter)^(-power) base_lr &＃61; 0.001, gamma &＃61; 0.0001, power &＃61; 0.75
batch_size &＃61; 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&＃xff0c;也就是说2轮就收敛了。我的天&＃xff01;&＃xff01;&＃xff01;&＃xff01;
kernel &＃61; 3
acc与loss图&＃xff1a;

数据分布与准确率&＃xff1a;

ok&＃xff0c;还有一些没看太懂的地方。请多喷&＃xff0c;谢谢。