（脑肿瘤分割笔记：十七）基于分级Dice Loss的精细全卷积神经网络的脑肿瘤分割

Title:Brain Tumor Segmentation Based on Refined Fully Convolutional Neural Networks with A Hierarchical Dice Loss

目录

Abstract(摘要)

Method（方法）

FCNN结构

多级损失函数

---

Abstract(摘要)

本文对经典的FCNN进行了一系列的调整来提高其在脑肿瘤分割任务上的性能，包括在卷积层之间添加更多的连接；在上采样层之后扩大解码器以及改变浅层信息的重用方式。除了在结构上进行修改。本文还提出了一种具有分级Dice Loss的新分类器，这个损失函数将多分类问题转换为多个二分类问题，从而抵消数据集的类不平衡问题。

脑肿瘤4种模态数据的特点：1）T1加权：操作简单常用于脑肿瘤结构分析，但其成像质量差无法提供有效的特征信息。

2）对比增强T1加权：在边界区域明亮，易于区分肿瘤和囊变区域

3）T2加权-水肿区域最为明亮，但是其对于脑脊液和肿瘤像素的区分较为困难。

4）液体衰减恢复脉冲（FLAIR）：这个成像模态水肿区域边界明显

在本文中尝试在网络结构中的上采样和下采样路径中为基本的FCNN添加更多的连接。另一个调整是并联结构或者级联结构。一方面我们需要添加最大池化来扩大感受野，但另一方面，最大池化层会降低定位精度，因为它破坏了图像的空间结构体。因此提出了具有多个路径的新型网络。一个路径保留定位信息，另一个流包括最大池化层

Method（方法）

文章首先介绍了对网络结构的修改与调整，在第二部分本文应用了新类型的损失函数，包括自举损失，Dice Loss，和灵敏度-特异性损失函数，并且最终提出了一个受4个目标分类的包含关系启发的分层Dice Loss损失函数。

FCNN结构

使用的结构包括VGG,UNet等各种变体

1）VGG16+跳跃连接

这个网络在没有上三个全连接层的情况下，最终的特征图是通过附加样本层和具有 1x1 内核的卷积层来实现的，此外还采用了跳跃连接将来自不同上采样层特征图相加。

2）U-Net

UNet是医学图像分割中最经典的分割架构，这里不再叙述。

3）ResNet50+跳跃连接

这个网络被提出来用于解决训练过度深度CNN时产生的梯度消失和梯度爆炸的问题

4）ResUnet

这个网络将残差核进一步应用到UNet中，将残差堆栈替换UNet的卷积层。每个残差堆栈都由编码器和解码器中的两个卷积层组成，除了残差结构外，我们还在卷积层激活层之间插入了批量归一化。

多级损失函数

1）首先根据最初标记的每个像素，使用Softmax函数，使用常规交叉熵损失来制作5分类器，函数定义为

但是这5类很不平衡，大多数像素损失较低

2）为了缓解这种严重的类不平衡问题，最简单的方法就是为每个类赋予权重（也就是给权重较少的类更大的权重）其中权重之和等于1，公式为

 

但是这种方法的难点在于各类别权重的最佳分布是什么，如果选择不当会造成过度平衡

3）自举损失：这个损失函数是丢弃最差的像素进行训练，公式如下

公式中的t是一个阈值，当括号内的条件成立时，中括号的值等于1，否则等于0

4）灵敏度-特异性损失：敏感性和特异性是评估分割结果时两个主要指标，通过最小化加权敏感性和特异性的数量，将它们加入损失函数，公式为

其中r是1或0的标签，P是概率，λ是平衡这两个分量的权重

 5）Dice Loss，使用Dice Loss代替4）的效果更好

6）总分类 Dice Loss

 4）和5）都可以在某种程度上平衡数据集。Dice Loss为二进制分类设计，因此考虑将多重分类转换为多重二元分类

目标分类任务层会演化具有包含关系的类，保留FCNN的5通道输出层，将其扔到softmax激活层，将5个标记类的相应概率相加，然后得到3个目标概率（P0,P1,P2），它们分别代表整个肿瘤（标签1,2,3,4的总和），肿瘤核心（标签1,3,4的总和）和增强肿瘤。公式为

可以根据以下4个公式根据某一像素点的3个概率列出非肿瘤，完全肿瘤，肿瘤核心以及增强肿瘤

则最终总的分级损失函数为