2021-07-08

@CompNet

CompNet: Complementary Segmentation Network for Brain MRI Extraction

摘要

贡献：

(1)针对正常和病理脑图像，提出互补分割网络(CompNets)从T1加权MRI扫描中准确提取脑。
(2) 通过在OASIS数据集上评估我们的网络来证明它们的有效性，从而在双重交叉验证设置下获得最先进的性能。

1 介绍

我们探索多个互补的细分网络。总的来说，这些网络有两个共同的途径:一个是了解什么是脑组织，并生成一个大脑面具；另一个是学习大脑外部的东西，并帮助另一个分支产生更好的大脑面具。
最佳CompNet建立在普通CompNet的基础上，并引入了密集块(一系列相互完全连接的卷积层[4])和多个中间输出[1]，如图1所示。

Fig. 1. 我们的互补细分网络的架构，最佳的CompNet。在每个编码器和解码器中使用对应于灰色条的密集块。每个密集块中的三元组(x，y，z)表示它有x个卷积层，其核大小为3×3；每一层都有y个过滤器，除了最后一层有z个过滤器。 SO:大脑掩膜的分割输出；CO:非脑掩膜的互补分割输出；RO:输入图像的重建输出。Sigmoid函数产生的这三个输出是最终的预测；而除了为图像重建子网络生成输入的绿色输出之外，所有其他西格玛都生成中间输出。最好用彩色观看。

2 CompNets: Complementary Segmentation Networks

This network has three components

(1)第一个组件是对感兴趣区域(如大脑)的分割分支，它遵循U-Net架构并生成大脑掩膜。
(2)通过添加互补分支来扩充分割分支以学习非大脑区域中的结构。
(3)由于互补部分缺乏真实的掩码，我们采用了一种子编解码器网络，基于前两个分支的输出重建输入脑扫描。

Optimize CompNet.

普通的CompNet有将近1800万个参数。在卷积层之间引入密集连接可以显著减少网络的参数数量，并减轻深度神经网络中的消失梯度问题。因此，我们用密集块替换普通CompNet中的每个灰色块，如图1所示。每个密集块具有不同数量的卷积层和滤波器。具体而言，每个编码器中的密集块分别具有4、10、21、21和21个卷积层，每个解码器中的密集块分别具有21、21、10和4个层。所有这些卷积层都使用相同的内核大小3 × 3，并且卷积滤波器的数量在每层中为12个，除了最后一个，在编码器的五个密集块中从32变为64、128变为256和512，而在解码器的四个密集块中从256变为128、64和32。该设计旨在通过使用更多的特征地图来增加从一个密集块传输到下一个密集块的信息量。此外，我们还在密集块之间的过渡处设置了压差。通过采用这些密集块，我们的优化CompNet变得更加深入，同时与普通的CompNet相比，需要优化的参数更少(1530万个) 。
对普通CompNet的另一个改变是引入了多个中间输出[1]。这些早期输出可以通过缩短从输入到输出的距离来缓解深度神经网络中的消失梯度问题。如图1所示，分段和重构子网络中的每个解码器有六个输出，每个Sigmoid函数后有一个输出。前五个输出是中间输出，其由解码器的每个密集块中的第一卷积层的原始和上采样特征图以及最后密集块中的最后卷积层的特征图生成。我们观察到，在每个密集块的开头有一个中间输出比在结尾有一个中间输出提供更好的性能。最后一个密集块末尾的额外一个允许收集该块学习的特征。用于中间输出的所有特征映射的连接产生第六个输出，这是用于预测的分支的最终输出。此外，我们使用加法运算来对来自两个分割分支的每对中间或最终输出进行积分，然后使用串联运算来收集所有输出，从而通过Sigmoid函数(图1中的绿色函数)得到重建子网络的输入。每个Sigmoid层使用1x1x1卷积滤波器生成一个具有一个通道的特征图，该滤波器将其响应值归一化到[0，1]以内

4 结论

在这篇论文中，我们提出了一个互补的网络架构来从核磁共振扫描中分割大脑。我们观察到，最优CompNet的互补分割分支学习大脑外部的一个掩码，可以帮助识别非大脑区域的不同结构。互补的设计使我们的网络对大脑扫描中的病理不敏感，并有助于正确分割大脑。