论文地址:Technical Considerations for Semantic Segmentation in MRI using Convolutional Neural Networks
这是前几天刚出炉的斯坦福关于医学图像分割的论文,论文中使用了骨性关节炎诊断作为目标,
将使用cnn进行医学图像分割的影响分为三个要素:
1、cnn网络结构
本文中使用U-Net(下图A)、SegNet(下图B)、DeepLabV3+(下图C)作为对比试验
其中对于U-Net采用了2D、2.5D、3D三种方式进行对比
2D就是一次放进去一片slice,输出得到这一片slice的分割结果
2.5D就是一次放进去多片连续slice,输出得到这多片连续slice中最中间的一片的分割结果
3D就是一次放进去多片连续slice,输出得到这些slice的所有分割结果,3D网络中将之前的所有2D操作都替换为3D
2、loss函数
由于分割任务中,会出现foregroud-backgroud的class imbalance现象,因此loss函数的不同也会导致结果的好坏
本文使用了binary cross-entropy(BCE),soft Dice loss, weighted cross-entropy (WCE), and focal loss ( =3),四种loss函数作为对比
3、data extent
对于原本的训练数据一共采样于60个不同病人训练100个epoch,为了检测网络的data extent能力,创建了三个新的子训练数据(分别采样于5(1200epoch),15(400epoch),30(epoch)个不同病人)
网络超参数:
数据增强:
每片slice增强4次,最终数据增强后的数据集数量是未增强的数据集数量的5倍,增强数据集训练20epoch,未增强数据集训练100epoch
测试集评判标准:
从三个尺度Dice similarity coefficient (DSC), volumetric overlap error (VOE), and coefficient of variation (CV)
高分割准确率体现在DSC高、VOE和CV低
实验结果: