[深度学习从入门到女装]Technical Considerations for Semantic Segmentation in MRI using Convolutional Neural Net

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：