![788f4654843448869696a036b5d1f689.png](https://i-blog.csdnimg.cn/blog_migrate/0191179f7d81beb641f6b499f76bd343.png)
原文:iW-net: an automatic and minimalistic interactive lung nodule segmentation deep network
作者:Guilherme Aresta, Colin Jacobs, Teresa Araújo, António cunha
时间:2019年8月
iW-Netwww.nature.com1. Introduction(介绍)
iW-Net有两种工作模式,一种用于自动分割,一种用于交互式分割。使用的数据集是肺结节的3D图像,iW-Net是基于3D-Unet的改进模型。
2. Comparison(比较)
与传统的3D-Unet进行比较,在iW-net的两种模式下,都有不同的结果,结果如下图:
![e601a5cf6928a1e1225da16b73b07186.png](https://i-blog.csdnimg.cn/blog_migrate/de9b472d405e9721e43aee2f89741df8.jpeg)
其中在自动模式下为0.48,在交互模式下为0.59,并且是最高的分割效果。
3. Methods(方法)
iW-Net是由两个Unet网络组成的,网络的架构如下图所示:
![b090a5b1d0ee0bc795b32d92b1f98a3f.png](https://i-blog.csdnimg.cn/blog_migrate/af9104910e669a3b6e91b27c659027ad.jpeg)
iW-Net的第一个U-net是用于自动分割肺结节的3D图像,得到的预测结果就是自动分割肺结节图像的结果。第二个U-net是通过输入原始3D图像,第一个分割结果以及手动绘制的结节位置这三个输入图像进行分割得到最后的交互式预测结果。其中手动绘制的结节位置使用一个weight map
3.1 Weight map
权重图
其中
改变p会影响两点的互作用强度,较低的p增加了对中心区域的聚焦。
3.2 Loss function(损失函数)
iW-Net使用了两项损失函数,其中一项是基于联合交集(IoU):
其中
第二项是的损失函数则考虑了手动引入的分割点,方程为:
其中
全局的损失函数
其中
4. Experiments and evaluation(实验与评估)
iW-Net产生的预测掩码,通过0.5的阈值将预测结果确定为0或1。预测结果根据IoU值和平均表面距离(ASD)进行评估,如下所示:
由于一个结节有多个专家进行标注,所有如下的IoU的方程:
![efcfcfca01ec11dcf5c8431c3ad6850b.png](https://i-blog.csdnimg.cn/blog_migrate/bbeaba8647471fb0c7a9aaa0b9442bed.jpeg)
N是专家的数量,
由于模型中iW-Net产生了一个初始分割和一个校正分割结果,所以为了让两个分割结果进行比较,选取最大的一种分割效果,得到如下最终的评价方程:
![baf080e2093e65e88f1d42226ffe50ac.png](https://i-blog.csdnimg.cn/blog_migrate/e030bb1beb2223a4986f6ba64731b051.png)
其中
通过该评价方程,将极大化的评估了最终的分割效果。
5. Conclusion(结论)
iW-Net是一种拥有交互性的分割网络,能够让用户输入两个结节的点来调整分割结果。
创新点:
- 使用了两个U-net网络,第二个U-net网络的输入有初始图像,第一个U-net分割结果以及根据用户输入产生的权重图M。
2. 根据用户输入产生的权重图M,通过输入两个结节点的位置,来引导模型分割。
3. 引入两项损失函数来适应两种不同的分割情况。
4. 引入一种新的评价手段,来保证预测的IoU最大。
论文源代码:
https://github.com/gmaresta/iW-net