SegAN——蠢的一匹的个人翻译

标题：segan：对抗网络，拥有多尺度l1loss，用于医疗图像分割

 

摘要：新的端对端对抗网络segan。图像分割需要西密度，像素级的label，单个标量的真/假的gan的DC的输出可能是不充分的，而不能生产稳定而有效的梯度回馈给网络。

我们用了FCN网络作为分割器，来生成分割的label，并用一个新的对抗critic（批评）网络（多尺度l1loss）来强制DC和分割器来学习both全局和局部特征，来生成长和短范围的spatial（空间）关系，在像素间的。在网络中，S和C网络并训练，通过min-max game：C网络输入图像（原始*pred label，原始图像*ground truth label）。然后训练，通过最大化一个loss。S网络只用梯度——通过C网络的梯度，意在与最小化loss。我们展示了，这样一个segan更加有效并且文档，对于分割任务，而且导致更好的表示，比state of art的unet更好

 

在miccai brats brain tumor上测试。拓展实验结果显示了segan的效果。

2013：更好的precision和sensitivity。

2015：更好的dcie和precision

 

1.介绍：

基础问题图像分割。

许多理论框架被用于自动分割。FCN。encoder-decoder。CRF。

基于patch的训练代价很高，局部准确和块大小也有关。现在最好的像unet，在整个图像或大的图像块，使用跨越链接来联合多等级的特征。然而，这些方式始终被像素级的loss限制。缺少能力来加强学习多尺度空间信息。与基于块的训练相比，整个图像的问题是label和class是不平衡的。属于整个图像的不同类的迅速是不平衡的。为了平衡整个问题，unet使用了weighted croos entropy来平衡类的频率。然而，权重的选择与任务相关而且难以优化。与unet相反，一个通用的loss能够避免类不平衡以及额外的超参数会更合理。

在本文中。我们使用了新的e2e的对抗网络结果SEGAN。

——与传统的分离G和D的loss不同，我们用了一个新的loss同时为了S和C。我们的C用来最大化l1，同时考虑cnn特征的不同，预测和truth的不同。

——我们使用了FCN作为S，只用C传来的梯度进行训练。同时最小化C的同样的loss。

——SEGAN是e2e，不需要patch或者更多的平滑化（crf）

我们的网络用了新loss，能加强多等级特征的学习，更加直接和有效。

 

2.方法：

S：输出pred

C：输入有两个，原始图像+pred mask；原始图像+truthmask。

S和C交替训练，用对抗方法。S意在于最小化L1，二C在于最大化L1

 

2.1：Loss：MAE

 

2.2结构：

S：unet

C：类似于S的decoder。多等级特征被从C的多个层中提取，用来算loss。因此可以获得长和短程的空间联系——于像素之间的。（pixel，low-superpixels，middle-patches）

 

 

2.3训练segan：

RMSProp（bs64，lr0.00002）

用梯度搜索法来选择最佳的block的数量

 

2.4稳定和收敛的基础：

a.引入注释