【论文阅读】Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation

Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation

作者 Haocheng Shen, Ruixuan Wang, Jianguo Zhang, and Stephen J. McKenna

 

本文来源于MICCAI2017.

 

目的：Brain Tumor 分割

方法：多任务网络（区域检测+边缘检测）。方法与DCAN类似。

对比方法：FCN & FCN+CRF

数据集：BRATS13 & BRATS15

 

 

对比的变形的FCN网络：

此网络来源于Shen, H., Zhang, J., Zheng, W.: Efficient symmetry-driven fully convolutional network for multimodal brain tumor segmentation. In: ICIP (2017, to appear) 是作者的另一篇文章。会议还没开所以还没看到文章。

此网络结构类似VGG-16。是作者所提Boundary-Aware FCN的一个分支，相当于新网络的基础。

 

 

Boundary-Aware FCN

 

       在FCN基础上，上采样分为两个分支，一个用于边缘检测，一个用于区域检测，这一点于DCAN类似。不同的是，此网络再次进行了联合训练。

       边缘检测相当于二分类，区域检测相当于多分类。

       输入八张图片。symmetric intensity difference maps are combined with original slices as input, resulting in 8 input channels

Loss相当于三部分的loss之和：

 

 

评测

BRATS13：20 HG patients for training and 10 HGs for testing. (The 10 low-grade

patients were not used.)

BRATS15： 220 annotated HG patients’ images in the training set.

For each patient there were 4 modalities (T1, T1-contrast (T1c), T2 and Flair)

按照比例6:2:2将训练集随机分为132 training, 44 validation，44 test images.

参数设置：Adam optimizer. Learning rate= 0.001. 下采样过程使用 VGG-16 权值初始化。

 

在三个任务上进行评估：

(1) the complete tumor (including all four tumor structures);

(2) the tumor core (including all tumor structures except edema);

(3) the enhancing tumor region (including only the enhancing tumor structure)

 

在complete tumor任务上，本文网络有明显效果提升，其他任务并没有明显提升。只采用DCAN（去掉后面的联合训练）Dice会降低15%。将原FCN加深也没有效果提升，说明此网络并不是因为更深才导致效果提升。

评价指标有Dice，Positive predictive value，Sensitivity。

 

 

转载于:https://www.cnblogs.com/xiangfeidemengzhu/p/7519767.html