[FocusNetv2] Imbalanced large and small organ segmentation with adversarial shape constraint for ...

1、任务

        分割鼻咽癌放疗的危及器官

2、难点

        1）复杂的解剖结构（视神经交叉的X形）

        2）器官边界对比度低

        3）器官大小的极端不平衡（百倍的大小差异）

        * 主要是小器官的精准分割

3、思路

        医生在标定时，

        1）大器官：直接标定

        2）小器官：先进行粗定位，然后放大图像，进行精准的分割

        3）边界模糊：通常根据对器官的先验知识，适配mask

4、网络结构

        大小器官是预先定义好的

         1）FocusNet

                2-stage网络

                a）S-Net：主要的分割网络，对所有器官进行分割

                b）SOL-Net：小器官定位分支，得到小器官的中心位置

                c）SOS-Net：小器官分割分支，“多尺度特征+高分辨率图像” -> ROI-pooled -> 精准分割

       2）AAE：对抗自编码器，利用对抗形状约束，使预测的mask形状符合先验知识

            * 首次通过“自编码器 + 对抗学习”，对形状进行约束

                      

                a）shape autoencoder：

                        - 尽可能重建输入的形状，这样latent space才是有代表性的低维形状歧管

                        - bottleneck结构，便于保留核心信息，去除冗余信息

                        - 在低维形状歧管中评估两个形状的相似性

                b）对抗学习loss

                        x是输入，y是Ground Truth，G是分割过程

                        

                        - 重建loss

                        ，其中D是重建过程

                        保证网络能够充分还原输入mask

                        - 对抗形状loss

                        ，其中D_latent是多尺度decoder特征

                        保证网络能够充分编码pred_mask和gt_mask之间的差异

5、训练

        1）训练S-Net

        2）固定S-Net的参数，训练SOL-Net

        3）交替训练SOS-Net和AAE（用gt做预训练，来稳定训练过程）

        4）finetune整个网络