Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks

摘要:

问题：

用于脑肿瘤分割

方法：

1.提出一个级联架构去分割整个肿瘤，核心肿瘤，和增强肿瘤，将多类分割分解为3个2类分割问题.即先分割整个肿瘤，再从整个肿瘤中分割，核心肿瘤，再从核心肿瘤中分割增强肿瘤.

2.使用了各向异性卷积和孔洞卷积，结合多视角融合来减少假阳性.

3.还使用了残差块和多尺度预测

结果:在Brats2017上取得了.Experiments with BraTS 2017 validation set show that the proposed method achieved average Dice scores of 0.7859,0.9050, 0.8378 for enhancing tumor core, whole tumor and tumor core,respectively. The corresponding values for BraTS 2017 testing set were 0.7831, 0.8739, and 0.7748, respectively.（没说具体名次）

 

介绍：

介绍了一系列的3d卷积神经网络，如DeepMedic加crf后处理，3D U-Net, HighRes3DNet

贡献：

1.提出了一个级联的网络，将多类分割问题，变为3个2类分割问题，充分利用肿瘤的子区域，减少假阳性（为什么这样可以减少假阳？，MICC2018先进行3D肿瘤的2分类分割也能减少假阳性？确实可以减少假阳性，你想下，如果是5分类，complete区域还好，因为健康组织和正常组织差别其实挺大的，不容易把健康组织分为阳性，但是如果是核心区域与水肿区域，核心区域和增强区域，所以很容易将这些区域混合，又可能水肿也被认为是核心，核心被认为是增强,我自己的网络也确实存在这个问题）

2.提出一个新颖的网络结构各向异性的卷积和孔洞卷积来平和模型的复杂度，感受野，和内存消耗

3.提出融合三个视角的输出做更加鲁棒性的实验（这个与SIC2区，2017年的第一名，都是对输出做融合）。

 

方法：

整体流程：

(1).使用一个3D的CNN来分割整个肿瘤，Wnet

(2).第二个网络接收第一个网络的分割出来的complete肿瘤区域，在其中分割出core区域,Tnet

(3).第三个网络接收第二个网络分割出来的core区域，在其中分割出enhancing区域，Enet

组件：

1.使用各项异性卷积：因为如果直接使用3D卷积，会造成很大的计算量，和内存消耗，但是较大的感受野，可以使得网络获取全局信息，所以作者在感受野和这些限制因素中，做了权衡，将3x3x3的卷积分成一个3x3x1的卷积，和一个1x1x3的卷积，相当于在axial面使用较大的感受野，在与axial平行的两个面使用3x1的感受野，最后通过一个1x1x3的卷积恢复到正方体，然后再加上残差块，和孔洞卷积（WNet，TNet和ENet的2D感受域分别为217×217,217×217和113×113，与axial轴垂直的两个面的感受野是9）

2.Wnet和Tnet有20个intra卷积层（3x3x1），和4个inter卷积层(1x1x3)，两个池化层，Enet的卷积层跟Wnet一样但是池化层少一个

3.使用多尺度融合，类似于FCN，对不同尺度的特征进行上采样，然后通过一个3X3X1的卷积体特征，最后concate给一个3x3x1的卷积进行2分类，浅层没经过池化会有一些细节信息，高层经过池化会有全局信息，并且每两个卷积层加入了残差块，用来加速收敛和防止退化问题。

4.进行多视觉融合，axial,sagittal,coronal,三个面，因为这个级联网络，对于2D面和与2D面垂直的两个2D的感受野不一样（垂直的小一些），所以训练了3个不同主面的级联网络，最后平均softmax概率，得到最终的结果。

实验结果：

1.对于Wnet,Tnet,和Enet的输入块大小分别是144×144×19, 96×96×19,64×64×19, C0和C1分别是32和2

2.预处理使用的是0均值，1的Z-score标准化，使用的是dice loss损失函数。

结论:

1.可以看到多视角比单视角效果好

2.它显示了Dice和Hausdorff距离的平均值，标准偏差，中位数，25和75分位数。 与验证集上的性能相比，测试集的性能更低.