基于深度学习的肿瘤分割与分类论文笔记（一）

历经三年快节奏的工作生活，现在又回到了科研的队伍，重新拾起科研对我来说是个不小的挑战。为了起个好头，我决定从博客记录论文开始接下来的科研工作。

最近看了一篇对肿瘤图像进行特征提取，从而达到良好的分割分类效果的论文《Active Deep neural Network Features Selection for Segmentation and Recognition of Brain Tumors using MRI Images》。这篇论文主要从特征提取出发，将深度学习模型提取的特征与传统的图像特征（LBP，SFTA等）相结合从而达到较好的特征表达。深度网络提取的为深度特征，传统的图像特征为浅层特征。主要的处理过程如下：

原始图片进行对比度增强，然后进行分割和分类：
分割：SbDL显著性映射（阈值划分为2值）：SFTA与LBP作为低级特征(相似特征舍弃)，AlexNet提取高级特征（倒数第二层替换为SGD），两个做欧式平方（K-means,k=2）；
分类/识别：Inception V3用来做特征提取，结合BRLBP特征纹理信息(还有两者结合的特征，最优特征)，然后通过PSO优化，最后用softmax做分类。

数据集和实验如下：
数据库：BRATS 2013：30个病人（20个高级神经胶质瘤，10个低级神经胶质瘤）
BRATS 2015： 54 LGG and 220 HGG
BRATS 2017 and 2018：285个病例（75 LGG and 210 HGG）

评估标准：error rate, accuracy and overall execution time

分割：2017随机选100，2018随机选200 针对增强肿瘤，核心肿瘤，整个肿瘤等计算相似度跟错误率（相似度+错误率=1）

分类：4个数据库分别使用四个分类器分别对四个特征（Inception V3, BRLBP纹理特征，两者结合，最优特征）进行实验，最优特征不止提高了准确率，而且相比融合特征（时间消耗几乎是单个特征的两倍）节省时间；最后对比了三个现有方法的准确率。

总的来说，个人觉得本文创新点不大，主要集中于深度网络特征与传统特征结合的特征提取方法。其中对MRI图像的对比度增强，使用PSO进行优化等可以参考。

附一些概念和公式整理：

1. 什么是MRI图像？
   概念：MRI是磁共振成像(Megnetic Resonace Imaging)，依据释放的能量（也可称信号）在物质内部不同结结构环境中有不同的衰减，通过外加的磁场检测所发射出的电磁波，可以得知构成该物体原子核的位置和种类，从而绘制物体内部的结构图像。
   序列：通过改变MR信号的影响因素，可以得到不同的影像，这些不同的影像就称之为序列。如根据T1值加权，可得T1序列，根据T2值加权可得T2序列。一个病例可以有多个序列，每个序列由许多切片组成。
   为什么要有多种不同的序列：因为肿瘤部位在不同的序列下的表现不同，只根据一种序列不能准确判断肿瘤的位置、大小等信息。T1序列主要用于观察解剖结构,T2序列用于确定病变部位信息,flair序列用于观察病变部位周遭情况，t1ce序列用于观察肿瘤内部情况,鉴别肿瘤与非肿瘤性病变.

2.LBP (Local Binary Pattern,局部二值模式): 以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息

3.PSO(Paticle Swarm Optimization):