Learning Contextual and Attentive Information for Brain Tumor Segmentation

摘要

本文提出了一个单通多任务网络，组合多个不同的CNNs结构，综合它们的分割结果来获取一个更为精确的最终分割结果。

Dataset
:本文采用的数据集是Brats2018

结果
本文在Valiation数据集上取得了79.22、90.74、83.58的dice

数据处理

本文对于数据所进行的处理就是对每张图像分别进行了图像归一化

方法：

将多分类任务分成三个不同但又相关的子任务来处理类别不平衡问题。1）粗分割：检测整个肿瘤，通过粗分割，整个肿瘤的位置被确定，在这个子任务中，为了减少过拟合，将这个子任务作为一个5类分割问题。2）细分割：将第一个任务粗分割所得到mask用5体素填充作为的第二个任务的感兴趣区域。（the above coarse tumor mask is dilated by 5 voxels as the ROI for the second task ）。从而对于完整的肿瘤区域进行进一步的细分割，得到每个类别的区域。3）精准分割：由于增强肿瘤的困难，特增加此分割任务针对增强肿瘤进行精准分割。

模型结构：

基本思想是采用的级联，对于三个子任务进行独立的训练，网络输入采用323216*4的形式，而三个任务对于最后分割层的通道数分别设置为5,5,2。

多尺度上下文信息：使用了两条平行的路径去学习多个尺度的输入信息，既考虑了高分辨率级的抽象语义信息，又考虑了低分辨率级的大上下文信息，这样丰富了分割可参考的特征信息，从而确保分割结果的精确。

2.单通多任务网络
由于上述级联需要分别训练三个不同的子任务，在训练和测试时需要大量的计算存储以及时间资源。而三个任务之间存在着息息相关的联系，故设计了这个单通多任务网络，由共有结构部分和三个特殊任务结构组成，这样，三个子任务的相同部分可以通过共有进行参数共享，从而大大减少了资源的占用。三个子任务的特殊性通过三个分支进行特异性学习，达到不同任务的训练和学习。首先训练第一个最简单的子任务，然后通过子任务对应的数据逐渐进行更为复杂的子任务训练学习。这样一定程度上实现了数据共享，达到了数据增强的效果。