脑微出血检测系列(1)

论文名称:Automatic Detection of CerebralMicrobleeds From MR Images via 3D Convolutional Neural Networks
录用信息: IEEE TRANSACTIONS ONMEDICAL IMAGING
录用时间: 2016.5

image.png

1.论文目标

先前的方法都是使用2D CNN或者使用手工构造的特征,本文使用了3D CNN结构从磁共振影像中抽取更加高层的特征,以此取得更加的检测精度.
解决思路是使用FCN(fully convolutional network)检索出高概率是CMB(脑微出血)的候选集,然后使用3D CNN来更加精确的判别是否是脑微出血,以此减少假阳性的情况.

2.核心思想

将脑微出血检测分为两部分,1.screening阶段,筛选出可能是CMB的候选集2.discrimination阶段,判别哪些候选集是CMB,以此减少假阳例.

image.png

2.1 screening阶段

image.png

image.png

通过3D FCN获取可能是CMB的候选集,即输入一个整个的测试病例(可以是任何的尺寸),通过3D FCN的前向传播即可获得一个3D的预测分数体积.

• 相比于传统的滑窗法,通过3D FCN减少了大量冗余的计算,加速检测速度.

3D FCN模型的训练

• 先训练一个3D CNN模型,然后将其中的FC层转换成卷积的形式

  
  
  image.png

screening阶段的工作流程的插图。训练阶段分三个步骤进行：（1）训练初始传统的3D CNN，其中阳性样本和随机选择的阴性样本; （2）在训练集上应用初始模型，获取假阳性样本，扩大训练数据库; （3）利用扩大的数据库微调初始传统的3D CNN模型，增强其辨别能力。训练完成后，传统的FC层将转换为卷积方式（如棕色框所示）。在测试阶段，3D FCN将整个体积作为输入，提取代表性特征体积并最终生成3D评分体积以检索候选体。

我们从训练初始3D CNN开始，在整个数据集中随机选择非CMB区域作为负样本。接下来，我们使用初始模型预测得到假阳性样本,然后添加到到训练集上。最后，通过扩大的训练数据库对初始模型进行微调，该数据库包括23.63％的阳性，47.52％随机选择的阴性和28.85％的补充假阳性。这样，进一步增强了网络的识别能力.当训练完成,我们将3D CNN的FC层转换成卷积形式,进而得到3D FCN.

2.2 discrimination阶段

通过3D CNN用于判别真实的CMB和非常相似的假样例,以此来移除大量的假阳例候选集.

image.png

image.png

3.算法效果

image.png

image.png