【论文阅读二】：EFFICIENT SYMMETRY-DRIVEN FULLY CONVOLUTIONAL NETWORK FOR MULTIMODAL BRAIN TUMOR SEGMENTATIO

一、文章核心
　　论文中主要讲解用一个Variant FCN做大脑肿瘤自动分割。
　　（ps:下文中有些术语可能翻译不太妥当或理解有误,还请指正）

二、基础知识
　　FCN
　　VGG16
　　
三、开始表演

目的：大脑肿瘤分割
　　
　　那么什么是大脑肿瘤分割？为什么要进行大脑肿瘤分割？
　
　　
　　上图是四种MRI（核磁共振成像）模态下的HG gliomas patients的大脑肿瘤图，最后一个是专家画的肿瘤结构轮廓图，绿色是水肿区域（edema），红色是坏死区域(necrosis)，黄色是增强区域(enhancing)，蓝色是非增强(non-enhancing)。
　　我认为大脑肿瘤分割主要是分割出肿瘤的结构，即上述的四种区域，还有非常重要的边界分割，精准的边界分割对于临床治疗是非常有帮助的。
　　文中作者也提到准确地大脑肿瘤分割对医学治疗非常有帮助（但是我听朋友说在进行肿瘤切割的时候不会分到这么细，最重要的就是边界，MRI只能说是做参考，具体切割的时候还是要视具体情况而定，我很疑惑那为什么要研究大脑肿瘤结构的分割,直接把所有重点放在肿瘤边界分割上就好了，啊啊啊，望解答）
　　
　　
　　网络架构：
　　
　　上图是论文中的FCN结构，有两个modules，一个下采样路径（包括卷积层和最大池化层），三个上采样路径（包括上采样和卷积层）。
　　下采样：The down-sampling path aims at enlarging receptive fields to encode high level abstract and contextual information to detect tumors（原文中这样说的，我不是很理解encode是什么意思，哪位下伙伴知道了告诉我一下下）
　　上采样：重建肿瘤边界等细节。以分层的方式设计上采样是为了能够充分利用下采样路径中的多尺度feature map(卷积后得到的多维矩阵).

详解下采样：我们只有一个下采样路径，就是上图中横着的那一条路。这个下采样路径类似于VGG16模型，它就是VGG16的前三层。三个卷积块和二个最大池化层，每个卷积块中有两到三个卷积层，fliter的大小都是3x3，最大池化层的尺寸都是2x2
　　作者详述了为什么只采用VGG前三层，而不加深卷积层：
　　（1）医学图像与自然图像不同，自然图像有丰富的高级别语义特征，而医学图像大多都是基于低级别的纹理特征。即使神经网络再深也不会对医学图像有所帮组，因为从医疗图像中学到的高级别特征信息是有限的。
　　（2）在医疗图像中，病变相对于整张对象来说比较小，加深卷积层可能会导致小的病变消失在后面的卷积块中，因为通过最大池化层，每一个块都会相应的缩小图像的尺寸。
　　（3）更深的卷积层操作会带来更多的参数，这很可能导致过拟合
　　
　　详解上采样：我们只是简单的将每一个卷积块（卷积块被黄色的箭头分割）的最后一个卷积层的feature map进行上采样到原始空间大小，另外三个卷积层用来encode不同尺寸的特征表示。在进入最终分类器之前，三个上采样路径的feature map被联系在一起。
　　注：并没有使用反卷积来进行上采样，因为它同样会带来更多的参数，从而可能导致过拟合。
　　在每一个卷积层后作者都使用了Relu来防止线性映射，以及采用batch normalization to reduce the internal-covariate-shift.(这个不怎么清楚是什么原理，作者在文中提到这个对于优化网络结构很重要，可以通过增大学习速率来加速训练过程，还可以避免局部最小)
　　
　　输入：各位小伙伴有没有注意到我们的输入是2D图像，而且是八张。这个2d图像来自于3d图像中的2d轴向切片，那也应该是我们图一中的四张图，那还有四张图呢？
　　还有四张图来源于对称图：因为肿瘤经常会破坏健康大脑的对称形态，所以轴对称对于大脑肿瘤分割而言非常有意义。在输入中，我们通过增加额外的对称图来将大脑对称信息encode进我们的CNN架构。
　　对称图产生过程我就不细述了。
　　其他的就是数据集的评估了。