2.论文笔记

文章信息	背景、目的及结论	结果与讨论	文章好在哪里	自我想法（125）
作者： He Wang*、Rencheng Zheng 单位： 复旦大学类脑智能科学技术研究所；复旦大学计算神经科学与类脑智能教育部重点实验室 期刊：（1区） IEEE TRANSACTIONS ON MEDICAL IMAGING 题目： Automatic Liver Tumor Segmentation on Dynamic Contrast Enhanced MRI Using 4D Information: Deep Learning Model Based on 3D Convolution and Convolutional LSTM	背景： HCC的早期诊断和治疗对于成功切除肿瘤至关重要[3]。允许确定基于体积的定量信息（例如纹理特征）的准确肿瘤分割可以有利于肝脏治疗计划程序，并提供更可靠的治疗反应分类[4]、肝脏肿瘤分类[5]和患者生存预测[6]。并且深度学习在肝肿瘤分割方面也取得了显著成果， 目的： 肝脏肿瘤的准确分割，有助于医生做出适当的治疗决策，评估手术治疗的有效性，对肝癌的临床诊断至关重要。在这项研究中，我们提出了一种基于 3D 卷积和卷积长短期记忆肝细胞癌 (HCC) 病变 (C-LSTM) 的 4 维 (4D) 深度学习模型进行分割。 结论： 所提出的基于 3D 卷积和 C-LSTM 的模型可以实现对 HCC 病灶的准确分割。	结果： 所提出的模型（基于3D-Conv和C-LSTM的4D深度学习模型）在肝肿瘤分割方面的 Dice 得分为 0.825±0.077，Hausdorff 距离为 12.84±8.14 mm，体积相似度为 0.891±0.080，优于 3D U-net 模型、RA-UNet 模型和消融研究中的其他模型在内部和外部测试集，与nnU-Net 模型相当 讨论： 与nnU-net模型和RA-Unet模型相比，虽然已经得到了改进，但由于模型体积大，且一次只能预测一个切片，所提模型的预测速度还是相对较慢。 有三种替代选择： 提高预测速度：可以尝试保留输入图像块的中间三个切片的预测结果，而不是只保留当前模型中的一个切片。 实现更快的预测，但性能稍差：可以选择基于2.5 CNN的 Basic 模块作为替代方案。 可以考虑更换batch normalization层以获得更好的训练效果	过去的研究没有过多关注层间信息或动态信息有效和高效的使用。本文通过结合多相DCE图像的信息以及组织成像特征在多对比度图像上的变化（区分HCC与正常或其他病变的重要标志）的信息来提高HCC分割性能 对于多相图像分别进行单独处理，获取更多特征 提出“肝脏分割的机制可能进一步扩展到肝脏肿瘤分级”思路应用	1： 临床上对HCC诊断的成像是用DCE-MRI，因为其成像带有时间序列的特点，考虑会使用LSTM，为适应对图像的处理考虑使用近期提出的C-LSTM，总结了使用该模块的论文结果不满意地方，做出创新。 2： 模型总体框架 文中图5、6消融实验的图 5：

目录

一、DCE-MRI

二、双三次插值

三、数据预处理归一化

四、LSTM

---

一、DCE-MRI

即动态对比增强磁共振成像

静脉注射造影剂（钆喷酸葡胺）后25~35s、55~75s和180~240s获得肝动脉期、门静脉期和延迟期图像，每一个时期获得的图像称为一相。

二、双三次插值

参考的文章：点击打开链接

/**********************简要过程*******************************
功能：双三次插值缩放图片
数学原理：假设原图像A的大小为m*n,新图像B的大小为M*N
如果我们要求B（X,Y）处的像素值：
我们首先可以得到B（X,Y）在图像A中对应的位置（x,y）=(X*(m/M),Y*(N/n))
这个时候求得的x,y是小数值，我们可以通过这个小数值坐标找到距离最近的16个像素点，
利用所选择的基函数，求出对应的每个像素的权值，最终获得pixelB（X,Y）
**********************************************************/

详细过程如下：

假设源图像A大小为m*n，缩放K倍后的目标图像B的大小为M*N，即K=M/m。A的每一个像素点是已知的，B是未知的，我们想要求出目标图像B中每一像素点(X,Y)的值，必须先找出像素(X,Y)在源图像A中对应的像素(x,y)，再根据源图像A距离像素(x,y)最近的16个像素点作为计算目标图像B(X,Y)处像素值的参数，利用BiCubic基函数求出16个像素点的权重，图B像素(x,y)的值就等于16个像素点的加权叠加。

根据比例关系x/X=m/M=1/K，我们可以得到B(X,Y)在A上的对应坐标为A(x,y)=A(X*(m/M),Y*(n/N))=A(X/K,Y/K)。如图所示P点就是目标图像B在(X,Y)处对应于源图像A中的位置，P的坐标位置会出现小数部分，所以我们假设 P的坐标为P(x+u,y+v)，其中x,y分别表示整数部分，u,v分别表示小数部分（蓝点到a11方格中红点的距离）。那么我们就可以得到如图所示的最近16个像素的位置，在这里用a(i,j)(i,j=0,1,2,3)来表示，如上图。

我们要做的就是求出BiCubic函数中的参数x,从而获得上面所说的16个像素所对应的权重W(x)。BiCubic基函数是一维的，而像素是二维的，所以我们将像素点的行与列分开计算。BiCubic函数中的参数x表示该像素点到P点的距离，例如a00距离P(x+u,y+v)的距离为(1+u,1+v)，因此a00的横坐标权重i_0=W(1+u)，纵坐标权重j_0=W(1+v)，a00对B(X,Y)的贡献值为：（a00像素值）* i_0* j_0。因此，a0X的横坐标权重分别为W(1+u)，W(u)，W(1-u)，W(2-u)；ay0的纵坐标权重分别为W(1+v)，W(v)，W(1-v)，W(2-v)；B(X,Y)像素值为：

三、数据预处理归一化

参考的文章：点击打开链接

归一化 （ Normalization ） 方法泛指把数据特征转换为相同尺度的方法 ， 比如把数据特征映射到[0, 1] 或 [−1, 1] 区间内 ， 或者映射为服从均值为 0 、 方差为 1的标准正态分布。

（一）为何要进行数据预处理

1.任何收集而来的庞大数据往往是不能一拿到就可以立马使用，比如一些数值大的数据，计算量复杂度高，不容易收敛，很难进行统计处理。

2.数据不符合正态分布，无法做一些符合正态分布的数学分析。

所以为了对数据进行更好的利用，我们需要使数据标准化。

（二）归一化目标

1.主要是为了数据处理方便

2.解决数据的可比性

（三）归一化优点

1.归一化后加快了梯度下降求最优解的速度

2.有可能提高精度

（四）归一化方法

有min-max标准化、Z-score标准化、Sigmoid函数方法，这里描述Z-score标准化。

将每一个维特征都调整为均值为 0 ， 方差为 1 ． 假设有𝑁 个样本 {𝒙 (𝑛) } 𝑁 𝑛=1 ， 对于每一维特征 𝑥 ， 我们先计算它的均值和方差 ：

然后 ， 将特征 𝑥 (𝑛) 减去均值 ， 并除以标准差 ，得到新的特征值 ：

其中标准差 𝜎 不能为 0 ． 如果标准差为 0 ， 说明这一维特征没有任何区分性 ， 可以 直接删掉。

四、LSTM

参考文章：点击打开链接