1.Automatic Brain Tumor Segmentation using Convolutional Neural Networks with Test-Time Augmentation

创新点：
test-time augmentation 改进行CNNs的性能 以训练时间换更好的预测鲁棒性

Dataset:
本文所采用的数据集是Brats2018

预处理:
主要做了图像归一化

设备：
训练时采用TITAN X

数据增强处理：
归一化、3D旋转，翻转，缩放和添加随机噪声。

Baseline:
3DUnet
2.5DWNet:权衡了感受野、模型复杂性、和存储开销网络中使用了空洞卷积、残差连接、和多视角融合来进行分割

方法：训练和测试增强
在进行图片增强时，将图片通过N组不同的形变和噪声的参数组合产生N张不同的图，测试增强时对于测试图片，运用训练时输入的图像所进行的N个形变和噪声参数组合进行同样的增强操作，最后得到N个测试结果，再将这N个结果通过多数表决进行融合得到最终的结果。

网络实现与设置：
3DUnet&2.5DWNet采用的是tensorflow进行实现并选取了Adam优化器进行训练。训练时对于两个网络分别选取了969696的块969619的块，初始学习率设为1e-3，衰减率为1e-7,最大迭代次数为20000。并采用了Dice 损失函数进行训练。两个网络的结构的测试的增强后的图片张数设为N=20，WNet从轴冠矢三个视角进行训练，并在测试时进行均值融合。

实验和结果：
数据：210HGG+75LGG进行训练，使用验证集的66张进行验证，通过上传分割结果得到最终量化指标。