2019-04-24|白质高信号分割总结

<>

关于白质高信号的分割总结
https://wmh.isi.uu.nl/results/

---

1.介绍了训练集/测试集相关详细信息，数量，采集设备及参数，来源等；
2.数据预处理

• All images were bias-corrected using SPM12
• Using the elastix toolbox for image registration。
• The 3D T1-weighted images were aligned tieh the resampled FLAIR images.

3. 参赛队伍方案介绍：
   1.【achilles：11】采取了HighResNet 和 DeepLab v3，使用了空洞卷积，atrous spatial pyramid pooling，残差连接。在FLAIR上进行训练，采取了随机的尺寸的pathes，应用了scaling和rotation数据增强。

   2. 【cian：2】采取了multi-dimensional gated recurrent units（MD-GRU）来训练3D pathes，数据增强采取了random deformation，rotation， scaling。

      
      
      

   3. 【hadi：20】采取了自定义多模态特征，训练了一个随机森林分类器，特征包括了密度、梯度、Hessian 特征。

   4. 【ipmi-bern：9】采取了两阶段处理手段，第一个阶段来抽取大脑，第二阶段来判别大脑中的WMH。
      使用了long and short skip connections。数据增强采取了rotation，mirroring。

   5.【k2：5】采取了2D全卷机网络，类似Unet。
   6.【knight：15】voxel-wise级别的逻辑回归，将所有影像数据转换到MNI-152的标准空间上进行训练。
   7.【lrde：7】使用了预训练的16层的VGG网络，使用了FLAIR，T1，经过高通滤波的FLIAR，三者一起输入网络（multi-channel input），最后的全连接层被替换，进行重新训练。
   8.【misp： 6】采取了18层的3D的卷积网络，patches的大小为27×27×9的voxels。
   9.【neruo.ml：18】采取了DeepMedic库，使用了两个并行的分值来处理不同scale的影像，这个网络同样是3D patches。
   10.【nic-vicorob：4】采取了10层的3D卷积网络（原用作分割多发性硬化病变）。输入是的patches，输入两个模态的数据。使用了串联的方法来训练两个个独立的网络，即第一个用于识别候选集的组织，即白质所在地方，第二个网络用于减少假阳性。后面使用了第三个网络来重新训练最后的全连接层来对WMH进行分割。
   

   
   
   
   
   
   
   
   
   详细方案pdf

11.【nih_cidi：8】采取了Unet结构的全卷积神经网络，一个是用FLIAR训练来分割WMH，另外一个是T1训练来分割白质，之后将会分割的白质作为mask应用到WMH分割结果上来去除假阳性。

12.【nist：17】随机森林
13.【nlp_logix：3】多尺度的深度神经网络
receptive fields 采取了size 5x5 和3x3的，预处理方法采取了brain mask（使用fsl的bet工具），将图像的密度scale到0-1之间。对于没有brain的pixel提取3232,6464，128*128的patches，如果patches里面有groundtruth，则标记为positive。

14.【scan：10】采取了densely connected convolutional network，使用了dialated convolution。也采取了使用一个网络抽取大脑组织，另一个来从抽取大脑组织中找wmh的思路。

15.【skkumedneuro：12】使用区域增长的思路来分割深部WMH，使用了两个随机森林分类器来去除假阳性。
16.【sysu_media: 1】采取了类似Unet类似的全卷积网络，使用了不同初始化来训练网络，使用data normalization和数据增强，为了移除假阳性，WMH中头和尾的1/8的slices被移除。
训练数据时，将z轴头slices和尾部5个slices去掉，将每个被试进行normalize成均值为0，方差为1.
数据增强采取了Rotation, shearing, scaling along horizontal direction (xscaling), and scaling along vertical direction (y-scaling) were employed for data augmentation on the 7 cases with full annotations.

https://wmh.isi.uu.nl/wp-content/uploads/2017/09/sysu_media.pdf
https://wmh.isi.uu.nl/wp-content/uploads/2018/08/sysu_media_2.pdf

• 聚合了不同receptive fields，比如33 和55 size大小的kernel来抽取small volume，采取更大的kernel来抽取larger volume，两个模型的训练和优化都是独立的，聚合的方式是通过投票策略来去取平均。
• we replaced the first two convolutional layers by a convolutional stack, with 3 × 3 and 5 × 5 kernel
  size respectively. Each convolutional stack is followed by a rectified linear unit (ReLU) and a 2×2 max pooling operation with stride 2 for downsampling. The depth of the convolutional stack was set as L=5. I
  Stacked Unet文献参考：《Multi-Scale Convolutional-Stack Aggregation for Robust White Matter Hyperintensities》

17.【upc_dlmi: 16】采取了V-net。

Rank