[论文笔记] SegAN: Adversarial Network with Multi-scale L1 Loss for Medical Image Segmentation

文章于2017年6月提交到Arxiv，投稿于 Neuroinformatics (2018)，Published online: 3 May 2018
作者单位：Department of Computer Science and Engineering,Lehigh University
文章截止2019.3.25的引用量为50
文章代码见github

---

这篇文章主要的创新点在于不同于之前的公式化loss，作者设计了一个可以进行学习的loss函数（一个神经网络的输出作为loss）；并借鉴GAN训练的思路，采用min-max的对抗学习模式来训练segment网络和loss网络，得到了当前（2017年）state-of-art的分割结果。此外，作者没有直接用预测图与ground truth二值图计算loss，而是分别利用它们对原图进行掩膜后再计算loss，也是一个很好的idea。

---

问题的提出

首先，作者提出了一个问题：在医学图像分割中，当前（2017年）state-of-art的网络结构Unet存在的一个问题是无法有效解决图像中像素类别不平衡的问题。针对这个问题，之前有人提出过用weighted cross-entropy loss来进行优化，但是作者认为这个weghted loss 的问题是 task-specific 以及难以优化的。

作者基于上述问题，并借鉴了GAN的思路，设计了新的分割网络，并提出了Multi-scale L1 Loss来优化分割网络。

网络结构

整个网络分为segmentor和critic两部分：
1、segmentor部分为普通的unet结构,encoder部分为4层stride=2的卷积，decoder部分为4层upsample，输出为网络预测的肿瘤二值图像；
2、critic部分的网络共用segmentor部分encoder的前三层，分别向critic部分输入经预测的肿瘤二值图掩膜的原始输入图像，以及经真值肿瘤二值图掩膜的原始输入图像，最后的loss计算两个不同输出之间的MAE值（L1 loss）。其中Multi-scale体现在对critic部分每一个卷积层输出的特征图像都计算MAE值，最后的总loss取平均。
3、训练方式类似于GAN的min-max对抗学习过程。首先，固定S（segmentor），对C（critic）进行一轮训练；再固定C（critic），对S（segmentor）进行一轮训练，如此反复。对 critic 的训练想使loss变大（min），对 segmentor 训练想使loss变小（max）。
其loss函数如下式所示：

训练的稳定性与收敛性证明

1、首先定义几个概念：
f : χ → χ ′ f: \chi \rightarrow \chi^{'}