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