[Paper 学习笔记] Multi-Scale 3D Convolutional Neural Networks for Lesion Segmentation in Brain MRI

这篇文章与之前看过的3D CNN那篇文章属于同一个模型下的两个应用：
http://blog.csdn.net/sinat_31824577/article/details/51779228

一、简介

本文提出一个用于脑损伤分割的11层，双通道的3D卷积神经网络系统，在多尺度环境下响应多模3Dpatch分割出病灶的三维像素，发现可在28个样本下成功训练该模型，实验结果证实改模型的有效性，除此之外，网络能够在3min内处理3D脑图像。

二、方法

网络结构图

2.1网络结构

网络通过图像的像素处理3D patch，由此训练来预测中间像素是病灶点还是正常的脑组织，决定于周围3D patch的内容。核参数通过梯度上升法优化。
上述方法的其中一个限制是通过小区域patch的内容使得每个像素单独分割，而更大的区域更有可能获得更好的结果。然而，大面积需要更高的内存和计算负担。我们提出的解决办法是在多尺度并行处理图像。因此，我们的网络由两个接收场相同的并行的卷积通道组成，第二层通道的输入，是降采样图像提出的子块，因而允许处理每个像素点周围更大的面积。
另一个上述结构的重要特征是它的全卷积性质，使其可以有效地应用更大部分的图像。通过提供比输出层接受场神经元更大的图像的输入分割块，此网络可以更有效地处理更大面积的输入，并为多个相邻像素点提供输出预测。我们在训练、通过提取比网络接受场更大尺寸的图像的分割建立我们的训练批次，也利用了这些特征。
早期版本的系统如图1所示的描绘。我们最后的网络从每个卷积层核尺寸为5^3和两层3^3核和在最后分类前增加其他层中获得结果。最后11层深的网络表现出了强大的分割能力。此网络在第九层和第十层50%规律地使用Dropout。在L1(10^-6)和L2(10^-4)正则化。初始化学习率0.01，训练过程中以恒定动量0.6逐渐减少。ReLu激活方程和批标准化用来加速收敛。最后系统在NVIDIA GTX Titan Black GPU的收敛训练时间接近一天。四种方式的3D脑图像的分割需要3min。

2.2数据预处理、扩增、后期处理

预处理图像归一化：零均值和一元标准差。
增加数据：把数据集投影到径像轴，图像的二次抽样与训练并行进行。
后期处理：网络的输出层通过CRF拓展。

三、评价

本系统使用ISLES 2015挑战赛的数据集训练，28个缺血性脑损伤病例的四个形式(Flair, DWI, T1, T2)。使用了5折交叉验证，单独使用网络平均达到64%，使用CRF达到66%。

四、结论

我们的网络结构因其精确的分割表现出潜力巨大的性能。难点在于部分小尺寸病灶的分割。分割的病灶例如根据尺寸分成不同种类。分割出不同的种类可简化每个学习者的负担，并帮它们减轻困难。

References

http://www.isles-challenge.org/ISLES2015/articles/kamnk1.pdf