（脑肿瘤分割笔记：Part-Two）利用自集成，深监督的3D UNet神经网络进行脑肿瘤分割

目录

Title:Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution.

摘要

方法

概述

神经网络架构

损失函数

图像预处理

 总结

---

Title:Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution.

摘要

本文主要采用深度监督和随机加权法。从两个不同的训练管道训练两个独立的模型集成，并且每个模型都会产生一个脑肿瘤分割图。然后将每个患者的这两个预测结果映射合并，从而考虑每个集合对特定肿瘤区域的表现。

对于脑肿瘤分割的挑战在于描绘肿瘤的ET（增强肿瘤），TC（肿瘤核心），WT（整个肿瘤）。主要的评估指标是重叠指标和距离指标。常用的Dice相似系数（DSC）衡量两组之间的重叠，在与真实标签的比较上下文中，它可以被定义为为：

其中TP为真阳性（正确分类体素的数量），FP为假阳性，FN为假阴性，但是DSC这个度量对图像中的