对学姐U-net网络代码学习3（主要内容：对BRATS的搜索&了解；U-net权重矩阵）

6-18

问题1 U-net网络端对端的可视化实现

打算先去把U-net的原文读一下，再回来看这里。

---

问题2 BRATS挑战赛预处理方法

这个问题在问题4找到proceedings之后就不用挨个去查找论文了，目前资料有了，而且省了大量时间。

后面可能会做一下总结。17之后的数据都进行了预处理了，所以这里看情况。可能选部分预处理。

---

问题3 权重矩阵是什么？作用？怎么来？怎么用？

model.load_weights('E:/Graduate Project/Unet-master/Unet-master/xuedi_unet.hdf5')

这里的权重矩阵是什么&作用：

‘To this end, we propose the use of a weighted loss, where the separating background labels between touching cells obtain a large weight in the loss function.’

‘为此，我们建议使用加权损失，其中touching cells（指文章的分割对象）之间的分离背景标签在损失函数中获得较大的权重。’

为甚麽呢？这里解释一下：因为我们的目的是为了分割图像找到边界，我们的target是边界（清晰准确），所以我们在定义loss的时候自然要给边界pixel更大的weight。

文章将weight map做了可视化在Fig.3.d：

对应的解释：

'We pre-compute the weight map for each ground truth segmentation to compensate the different frequency of pixels from a certain class in the training data set, and to force the network to learn the small separation borders that we introduce between touching cells (See Figure 3c and d).'

'我们为每个地面真值分割预先计算权重图，以补偿训练数据集中某个类别的像素的不同频率，并迫使网络学习我们在touching cells之间引入的小的分隔边界（见图 3c和d）。'

权重矩阵的计算：

wc是用来均衡类别频率的权重矩阵；d1和d2分别代表最近细胞和第二近细胞距离边界的距离（？）。σ=5 pixels？？（这里意思是单次输入5个pixels？？那这5个是什么分布？）

用于在之后用于能量函数（交叉熵）计算：

---

另外：U-net原文还提及了对架构中多个feature maps的权重（初始化）问题：

这里是依据每个feature maps的输入节点数，做了标准化。

---

问题4 下载的数据是BRATS 13还是15？

转自：https://www.smir.ch/BRATS/Start2013

BRATS 2013 Training data

30 patient datasets and 50 synthetic datasets including ground truths are available for download.

BRATS 2013 Challenge data

10 patient datasets for download.

转自：https://www.smir.ch/BRATS/Start2016

BRATS 2016

Training Data incl. Ground Truth

Note: the training set is the same as for BRATS 2015

转自：https://www.med.upenn.edu/sbia/brats2017/data.html

BRATS 2017

这里提到：

‘The only data that have been previously used and will be utilized again (during BraTS'17) are the images and annotations of BraTS'12-'13, which have been manually annotated by clinical experts in the past. ’

‘先前已使用过且将再次使用（在BraTS'17期间）的数据是BraTS'12-'13的图像和注释，这些图像和注释已由临床专家在过去进行了手动注释。’

‘The data used during BraTS'14-'16 (from TCIA) have been discarded, as they described a mixture of pre- and post-operative scans and their ground truth labels have been annotated by the fusion of segmentation results from algorithms that ranked highly during BraTS'12 and '13. ’

‘BraTS14-16（来自TCIA）期间使用的数据已被丢弃，因为它们描述了术前和术后扫描的混合情况，并且其真值标签已通过融合在BraTS'12和'13中排名靠前的算法的分割结果进行了注释。’

所以是，17年是分水岭，之后的数据更为精确（选择了专家手动注释的部分）且崭新（兼并了MICCIA13的数据基础上添加了新的注释ed data）。目前手里有的15,18,19年的BRATS data，15的label用的是算法综合的结果，是BRATS17的子集。

所以现在的问题转化为了18年的数据组成。打算先从17年的数据里面挖一下：

‘The provided data are distributed after their pre-processing, i.e. co-registered to the same anatomical template, interpolated to the same resolution (1 mm^3) and skull-stripped.’

BRATS17提供的数据是预处理过的，即，配准到相同的注释模板上，以相同分辨率（1mm^3）做内插处理，并且去颅骨。

‘This year, expert neuroradiologists have radiologically assessed the complete original TCIA glioma collections (TCGA-GBM, n=262 and TCGA-LGG, n=199) and categorized each scan as pre- or post-operative. Subsequently, all the pre-operative TCIA scans (135 GBM and 108 LGG) were annotated by experts for the various glioma sub-regions and included in this year's BraTS datasets.’

‘今年，专业的神经放射科医生对放射学评估了完整的原始TCIA神经胶质瘤集合（TCGA-GBM，n = 262和TCGA-LGG，n = 199），并将每次扫描归类为术前或术后。 随后，专家对所有神经胶质瘤子区域的所有术前TCIA扫描（135 GBM和108 LGG）进行了注释，并将其包括在今年的BraTS数据集中。’

‘The overall survival (OS) data, defined in days, will be included in a comma-separated value (.csv) file with correspondences to the pseudo-identifiers of the imaging data.’

‘以天为单位定义的总患者生存（OS）数据将包含在逗号分隔值（.csv）文件中，并与成像数据的伪标识符相对应。’

转自：https://www.med.upenn.edu/sbia/brats2018/data.html

BARTS 2018

相较于17年的change：

Survival Data Description

‘…… The .csv file will also include the age of patients, as well as the resection status. Note that only subjects with resection status of GTR (i.e., Gross Total Resection) will be evaluated, and you are only expected to send your predicted survival data for those subjects.’

‘…….csv文件还将包括患者的年龄以及切除状态。 请注意，只要求评估具有GTR切除状态（即总切除）的受试者，并且只希望您发送这些受试者的预测生存数据。’

另注：

BRATS 18,19,20 request 来源：https://www.med.upenn.edu/sbia/brats2017/registration.html

要求在宾夕法尼亚大学的医学图像计算与分析中心提交注册申请，成功之后，可以log in，申请BRATS18-20数据集。

（办事效率是蛮高的，值得一些机构学习……）

BRATS 12-20年总结 参考来源：https://www.med.upenn.edu/cbica/brats2020/previous.html

打开之后哭晕在厕所……

这些proceedings包含了有关于该年BRATS的任务描述，数据构成，数据申请渠道……（等等我前面挨个查的），关键有该年的相关论文汇总，全部是原文。