（脑肿瘤分割阅读笔记：一）Brain Tumor Segmentation with Deep Neural Networks

本文只是记录个人论文阅读的感想与思考！难免存在错误！如若有误还请各位大佬指出！感谢

目录

Abstract

Introduction

解决的问题

方法(Method)

双路径结构

级联架构

1-输入级联

2-局部路径连接

3-预输出连接

两阶段的训练过程

---

Abstract

1）脑肿瘤中的胶质瘤具有任意的形状，大小以及对比度（并且是弥漫性的边界模糊的）它可以出现在脑中的任意位置

2）本文提出的网络框架同时利用了局部信息和全局信息。网络的最后一层是全连接层的卷积实现​​​​

3）两阶段的训练过程（能够解决脑肿瘤分割中存在的类不平衡问题）

 4）级联架构：CNN的输出被视为后续CNN的附加信息。

Introduction

在大脑结构分为三种结构：白质；灰质；脑脊液

脑肿瘤分割任务最终的目标是分为三个区域：WT（整个肿瘤）；ET（增强肿瘤）；CT（肿瘤核心）

解决的问题

1）网络使用了双通路架构，可以了解大脑的局部细节和更大的上下文信息。

2）两阶段的训练过程对于处理类不平衡很重要。

3）级联的架构使得最终的预测结果受到对附近标签值的信念的影响。

方法(Method)

BraTs数据集缺乏三维分辨率，从轴向视图逐片执行分割，依次处理每个2D轴向切片（其中每个像素与不同的图像模态相关联）

模型的输入是一个具有多种模态的M*M的2D Patches。

网络结构：通过使用来自不同层的特征图的串联作为组成CNN的一种操作来探索各种架构，每个计算路径用于不同的目的。

双路径结构

双路径的网络结构如下图：

13*13感受野的全局路径和7*7感受野的局部路径（目的是使得预测同受周围区域以及全局上下文的影响）

                                                     最后将两条路径的串联输出！

级联架构

CNN的一个缺点是分别预测每个标签。级联的方法既利用了CNN的效率，同时也模拟了分割中相邻标签之间的依赖关系。将第一个CNN的输出概率作为附加输入提供给第二个CNN的层（依靠卷积层连接）。只需将第一个CNN的输出层与第二个CNN中的任何层连接起来--这称之为级联架构。

本文介绍了三种级联架构，将第一个CNN的输出连接到第二个CNN的不同级别。

1-输入级联

输入级联：将第一个CNN的输出作为第二个CNN的输入，结构如下图

2-局部路径连接

 局部路径连接：就是将第一个CNN的输出连接到第二个CNN局部路径的第一个隐藏层，其结构如下图

3-预输出连接

 预输出连接：将第一个CNN的输出连接在第二个CNN的输出层上。其结构如下图

两阶段的训练过程

 脑肿瘤分割具有高度的类不平衡问题，健康体素占比达98%以上。为了缓解这一问题使用两阶段的训练过程！

两阶段的训练过程最初在构建数据集时，使得所有标签是等概率的。考虑数据的不平衡性质，使用更具有代表性的标签分布重新训练输出层（其他层不变）

通过这种方式大部分数据（较低层）以平衡的方式使用。这种方法既考虑了所有类别的多样性，同时正确校准了输出概率！！！