Rehman M U, Ryu J, Nizami I F, et al. RAAGR2-Net: A brain tumor segmentation network using parallel processing of multiple spatial frames[J]. Computers in Biology and Medicine, 2023, 152: 106426.【开放源码】
【论文核心思想概述】
本文介绍了一种名为RAAGR2-Net的新型脑肿瘤分割网络,这是一个基于编码器-解码器架构,用于有效分割MRI中的脑肿瘤区域。该网络采用了多个新颖的模块,包括残差空间金字塔池化(RASPP)、注意力门控(AG)和递归残差(R2)模块,以提高在多模态脑肿瘤图像分割基准(BraTS)数据集上的分割性能。研究表明,通过这些模块的综合应用,RAAGR2-Net能够更精确地识别和分割肿瘤区域,同时减少信息丢失和计算复杂性。此外,文章还强调了数据预处理的重要性,包括N4偏场校正、z-分数标准化和数据增强,以改善网络的学习效率和分割性能。
【数据预处理】
本文将数据预处理作为创新点之一单独成章,因此这里专门解读一下。
-
N4偏场校正(N4 Bias-Field Correction):
-
目的:MRI图像可能包含由于病人运动或MRI扫描器硬件本身造成的伪影。伪影通常体现为局部调整的亮度(即图像局部过亮或过暗),这是MRI图像强度不均匀的问题。这种不均匀性会模糊病变特征,影响神经网络学习。
-
方法:使用非参数和非均匀归一化(N3)方法解决强度不均匀问题,随后通过N4算法进行进一步校正,以提高系统性能。
补充说明一下:N4 bias field correction是医学图像处理中用来去除由图像获取过程中的非均匀性引起的强度变化的方法。这个方法通常应用在MRI和CT图像上,以提高分割、配准和其他分析任务的准确性。N4 bias field correction通过估计并去除影响整幅图像的低频强度变化,从而改善图像质量并增强后续分析的可靠性。见博客
-
-
Z-分数标准化和重采样(Z-Score Normalization and Re-sampling):
- 目的:即使通过N4算法校正了局部强度不均匀性,MRI图像中仍可能存在边缘和由噪声引入的伪影。为了解决这些问题,需要标准化数据值。
- 方法:使用z-分数方法进行标准化,将图像值的范围调整为0至1之间,以减少学习时间,防止模型学习到不规则数据,以及避免在学习过程中陷入局部最小值。
-
数据增强(Data Augmentation):
- 目的:注释医学数据的可用性取决于多种因素,如患特定疾病的人数、参与研究的病人数量、专家医生的可用性等。因此,某些研究的数据量可能有限。
- 方法:使用数据增强来增加训练数据量。通过对数据应用包括图像放大、缩小、移动、翻转、旋转、扭曲和亮度调整等效果,扩大了CNN模型的训练数据集。这样,增强后的数据可以无损地应用于卷积神经网络架构。
【网络结构】
-
Residual Atrous Spatial Pyramid Pooling (RASPP) module:
这一部分就是在DeepLab基础空间金字塔池化(ASPP)基础上做了微小改变,通过设置不同的膨胀率,使用空洞卷积提取不同尺度的特征,与ASPP不同,RASPP模块包括附加的残差分支,其将原始特征连接到从不同膨胀率提取的特征。此外,在ASPP模块中有两个1 × 1卷积层,而在RASPP模块中只有一个1 × 1卷积层,这最大限度地减少了计算量和数据丢失。
-
Attention gate (AG) module:AG是模仿人类视觉学习算法,专注于目标位置,并学习最大限度地减少冗余特征的特征图,同时强调重要的特征信息,以执行特定的任务,从图中可以看出来就是普通的注意力加权,只是换了一种说法而已。
-
Recursive residual (R2) block:听名字很玄乎,实际在本网络中,就是通过利用更多的残差连接来保留重要信息,同时将其原始R2中的2个卷积层增加到4个卷积层,作者认为这样能相比Unet更好的保留位置信息。
【数据集】
BraTS2017, BraTS2018, and BraTS2019
【性能】
个人认为对比的baseline不够先进。
![image-20231213091606773](https://i-blog.csdnimg.cn/blog_migrate/5b141859506cee02aae5ea3fa1cda10d.png)
简单评价一下,本文中规中矩,创新点不够突出,对比的baseline说服力不太强。但数据伪影部分做的数据增强值得借鉴,之前的文章中没有专门针对这个问题。