论文笔记（二）Breast Tumor Segmentation in DCE-MRI Using Fully Convolutional Networks

论文地址：Breast Tumor Segmentation in DCE-MRI Using Fully Convolutional Networks

摘要
提出了一种通过完全卷积网络（FCN）进行乳腺肿瘤分割的掩模引导分层学习（MHL）框架。达到0.72的平均Dice相似系数（DSC）。
作者提出，在定量肿瘤分析中，通常采用几种成像特征来表征原始DCE-MR图像，例如肿瘤形态，纹理和增强动力学.2这些特征强烈依赖于准确的肿瘤分割，即使对于专业的放射科医生来说也有一定难度。因此，基于DCE-MRI图像的乳腺肿瘤分割是肿瘤分析的优先考虑。

数据
将数据集中272个受试者分为两个子集，其中224个受试者用作训练集，其余48个受试者用作测试集。对于48名受试者，作者还通过活组织检查获得了额外的分子亚型标记。 为了评估分割性能，作者通过将预测的分割图像与手动注释的情况进行比较来定义以下三种性能测量（即，骰子相似系数（DSC），灵敏度（SEN）和正预测值（PPV））。

方法分为几个步骤：
1.Region of Interest Generation
作者对ROI做了一个名次解释，他们首先把乳房部分作为整体的ROI，再在里面进行实验操作寻找真正的ROI。在这一步用下采样来训练FCN，用更浅的网络来捕获全局形状。其实就是排除了胸部背部等这些区域的影响。其实这里首先划分出乳房部分是必要的操作，只是作者很特别地给这个操作的结果理解为整体的ROI，确实，我最开始的感兴趣区域就是乳房部分，再在乳房里面寻找肿瘤位置。
2.Breast Tumor Segmentation
在这一步作者提出增强后的图像虽然已经排除了胸部背部等的影响，但是还会留下一些增强的器官部位。所以不能一次性完成分割工作。
模型的第一阶段旨在以高灵敏度获得乳腺肿瘤的粗略分割。 模型的第二阶段是通过抛弃模糊区域来进一步完善结果。
3.模型
stage one：为模型提供post-contrast图像以及后对比图像与对比前图像之间的subtraction图像。 作者还添加乳房面罩（breast mask）作为辅助输入通道来指导乳腺肿瘤分割。损失函数包含骰子相似系数和灵敏度两项。
stage two：来自第一阶段的粗略分割的概率图，后对比图像和减影图像作为3个通道的输入，损失函数包含骰子相似系数。这一阶段主要去除了一些不确定的因素。
总之，第一阶段是为了去掉容易区分的部分，第二阶段是为了去掉难以确定是否为肿瘤的部分，可以把第二阶段理解为一个强化训练的过程。
4.Biopsied Tumor Selection
在当前的临床检查中，活检肿瘤的粗略位置被记录为时钟位置。 为了自动选择活检肿瘤，我们开发了一种基于标志性检测的选择策略，该策略通过对时钟位置的预知，自动识别来自多个肿瘤的活检肿瘤。
5.Radiogenomic Analysis（这一部分我看不懂）
在对活检肿瘤进行鉴定和分割之后，作者提取了一种流行的动力学特征，试图区分管腔A亚型肿瘤与其他肿瘤。 基于肿瘤面罩提取典型特征，称为异质性动力学特征。作者研究中使用的异质性动力学特征是特征动力学曲线的峰值时间（TTP）的方差，表示为f。 作者比较了该特征在基于自动分割和基于半手动放射科医师分割提取特征时预测管腔A亚型的性能。

下面是作者给出的整体结构：

以上作为论文笔记保存，个人理解，如有错误及时更正，科研加油！