目录
Abstract&Introduction
脑肿瘤分割的主要目标是生成脑肿瘤区域的准确描绘
脑肿瘤分割任务面临的主要挑战
在脑肿瘤分割中主要面临的挑战是:1)位置不确定 2)形态不确定 3)低对比度成像 4)人工注释产生的注释偏差以及带注释数据稀缺问题 5)类不平衡的挑战。
以上挑战具体解释为:1)位置不确定性:神经胶质瘤是由围绕神经细胞的胶状细胞突变而成,由于胶质细胞的广泛分布,胶质瘤可能出现在大脑中的任意位置。
2)形态不确定性:不同患者不同时期的脑肿瘤形态和差异很大。
3)低对比度成像:MRI图像可能质量较低且对比度也很低,生物组织之间的边界区域模糊难检测
4)注释偏差以及带带标注数据稀缺的问题:人工标注的数据高度依赖个人的经验,很容易产生注释偏差,另一方面标注医学图像的成本很高,所以带有标注的脑肿瘤图像很稀缺。
5)类不平衡问题:不同肿瘤区域存在不平衡的体素数量
对于类不平衡目前存在的解决方法包括:1)网络的级联和集成 2)多任务学习 3)自定义损失函数 4)充分利用来自多模态的信息(这一解决方法主要集中多模态的融合以及如何处理确实的模态上面)
深度学习方法的脑肿瘤分割的方法
深度学习的脑肿瘤分割方法主要分为3类:1)设计具有有效架构的方法 2)处理不平衡状态下的方法 3)利用多模态信息的方法。
脑肿瘤分割方法一:设计有效的架构分割方法
设计有效的模块和网络框架成为实现准确分割性能的重要因素之一。
设计有效的网络架构时主要遵循两个原则:1)通过扩大感受野,注意力机制,特征融合更新来学习高级语义和定位珍贵目标等形式 2)在网络训练过程中减少网络的参数量并加快速度。
针对于不同目的的模型
对于精度有要求的模型
堆叠混合块与不同内核大小的组合,其中大尺寸的卷积核倾向于找到具有大感受野的全局特征(比如肿瘤位置和大小),而小的卷积核倾向于包含局部特征(例如边界和纹理)具有较小的感受野。
但是随着神经网络堆叠的层数逐渐增多会产生梯度消失和梯度爆炸的问题。针对这个问题已有的解决方法包括引入了残差结构,之后又扩展为密集连接进一步缓解这一问题。
为了在扩