Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解

本文模型的代码是基于kerasTheana上完成,但是好像并没有进行开源

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第1张图片

         我们提出一种新颖的,多任务的全卷积网络(FCN)架构,用于脑肿瘤的自动分割。该网络通过连接从多模MR图像提取的分层特征表示来提取多级上下文信息。通过在损失函数中直接加入边界信息,实现了分割性能的提高。该方法在BRATS13BRATS15数据集上进行了评估,并与BRATS13测试集上的竞争方法进行比较。相比单任务的FCN和融合RCFFCN都取得了较好的性能。该方法是最准确可用的,并且在测试时间具有相对较低的计算成本。

 

1 引言

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第2张图片

 目前对于脑肿瘤分割的普遍方法:(1)手工构造特征+CRF 2CNN32D CNN作为滑动窗分类器43D CNN + 全连接的CRF

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第3张图片

        本文的主要贡献:(1)我们首先将多任务FCN框架应用于多模态脑肿瘤(和子结构)分割; 2)我们提出了一种无需后处理步骤以及联合学习预测肿瘤区域和肿瘤边界的感知FCN; 3)我们在统计意义上证明所提出的网络提高了肿瘤边界分割的准确性;4)我们在BRATS数据测试;本文方法在BRATS13上排名第一,并且具有良好的计算效率。

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第4张图片

         1显示了具有专家描绘肿瘤结构:水肿(绿色),坏死(红色),非增强(蓝色)和增强(黄色),其中坏死、非增强和增强三者形成肿瘤核心。

2 FCN的变体

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第5张图片

       我们的FCN变体包括一个下采样路径和三个上采样路径。下采样路径由被黄色箭头所示的max池化层分离的三个卷积块组成,每个卷积块正如VGG网络中那样包括2-3个卷积层,这种下采样路径能够提取从小尺度低层次到大尺度高层次范围内的特征。对于三个上采样路径,FCN变体首先从每个卷积块的最后一层卷积层上采样特征map以便于每个上采样特征图(图2中的紫色矩形)具有与输入到FCN的图有相同的尺寸大小。然后将一个卷积层添加到每个上采样路径来编码不同尺度的特征。卷积的输出特征图沿着三个上采样路径的层被级联,然后被馈送到最终分类层。本文使用了ReLU激活函数和batch normalization。该FCN变体已经在一个单独的实验中进行了评估研究[8]

(这个FCN的变体已经能够实现比较好的分割脑肿瘤图像)

3 边界感知的FCN

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第6张图片

      上述FCN已经可以产生良好的肿瘤组织概率图。然而,由于区分边界周围的像素的模糊性,精确地划分边界仍然是一个挑战。这种模糊部分是因为卷积操作,即使在第一个卷积层后得到的特征map上围绕肿瘤边界的邻居像素产生相同的值。准确肿瘤边界对于治疗计划和外科手术有重要意义。为此,我们提出了一个深层次的多任务网络。所提出的边界感知FCN的结构如图3所示。代替将分割任务视为单个像素分类问题,我们制定了多任务学习框架。两个上述具有共享下采样路径和两个不同上采样分支的FCN变体被用于用于两个单独的任务,其中一个用于肿瘤组织分类(图3中的"区域任务"),另一个用于肿瘤边界分类(图3中的"边界任务")。然后,从两个分支的输出(即,概率图)被连接并馈送到有两个卷积层的块中,最后接的softmax分类层(图3中的"组合阶段")。这个组合阶段的训练与"区域任务"的目标相同。组合阶段考虑从"区域任务""边界任务"估计的组织和边界信息。 "区域任务""组合阶段"任务分别是5类的分类任务,'边界任务'是一个二分类任务。交叉熵损失被用于每个任务。因此,我们提出的边界感知FCN的总损失是:

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第7张图片

        本文从标签数据中提取边界的方法,采用disk滤波器膨胀的操作。在边界感知FCN中,使用3D MR体积的2D轴向切片作为网络的输入。此外,在基于肿瘤的肿瘤分割中由于添加脑对称信息对FCN有帮助,所以对称强度差异图和原始切片组合,产生8个输入通道。

4 评估

       本文模型在BRATS13BRATS15数据集上进行评估,其中BRATS1320例个训练。10例用于测试,BRATS15220例进行训练。

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第8张图片

        鉴于每个病例都有4中模态,所以本文在做评估时,将分割任务划分为三个子任务(1)对四种模态的肿瘤进行处理(2)只对脑肿瘤的三个核心区域进行评估3)只对增强的脑肿瘤区域进行评估

        对于每一个MR图像,体素强度被归一化为具有零均值和单位方差。使用Adam优化器对网络进行反向传播。学习率为0.001。下采样路径用VGG-16权重[7]初始化。上采样路径使用[17]中的策略,随机初始化。

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第9张图片

 Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第10张图片

 Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解_第11张图片

 5 结论

       我们为脑肿瘤分割引入了边界感知FCN共同学习边界和区域的任务。它取得了最先进的成果

并提高了BRATS13分段边界的精度,在BRATS15数据集与单任务FCNFCN + CRF进行比较。它是排名最高的方法之一,计算成本相对较低。

你可能感兴趣的:(深度学习文章解读)