Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks

摘要:

問題：

用於腦腫瘤分割

方法：

1.提出一個級聯架構去分割整個腫瘤，核心腫瘤，和增強腫瘤，將多類分割分解為3個2類分割問題.即先分割整個腫瘤，再從整個腫瘤中分割，核心腫瘤，再從核心腫瘤中分割增強腫瘤.

2.使用了各向異性卷積和孔洞卷積，結合多視角融合來減少假陽性.

3.還使用了殘差塊和多尺度預測

結果: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.（沒說具體名次）

介紹：

介紹了一系列的3d卷積神經網路，如DeepMedic加crf後處理，3D U-Net, HighRes3DNet

貢獻：

1.提出了一個級聯的網路，將多類分割問題，變為3個2類分割問題，充分利用腫瘤的子區域，減少假陽性（為什麼這樣可以減少假陽？，MICC2018先進行3D腫瘤的2分類分割也能減少假陽性？確實可以減少假陽性，你想下，如果是5分類，complete區域還好，因為健康組織和正常組織差別其實挺大的，不容易把健康組織分為陽性，但是如果是核心區域與水腫區域，核心區域和增強區域，所以很容易將這些區域混合，又可能水腫也被認為是核心，核心被認為是增強,我自己的網路也確實存在這個問題）

2.提出一個新穎的網路結構各向異性的卷積和孔洞卷積來平和模型的複雜度，感受野，和記憶體消耗

3.提出融合三個視角的輸出做更加魯棒性的實驗（這個與SIC2區，2017年的第一名，都是對輸出做融合）。

方法：

整體流程：

(1).使用一個3D的CNN來分割整個腫瘤，Wnet

(2).第二個網路接收第一個網路的分割出來的complete腫瘤區域，在其中分割出core區域,Tnet

(3).第三個網路接收第二個網路分割出來的core區域，在其中分割出enhancing區域，Enet

元件：

1.使用各項異性卷積：因為如果直接使用3D卷積，會造成很大的計算量，和記憶體消耗，但是較大的感受野，可以使得網路獲取全域性資訊，所以作者在感受野和這些限制因素中，做了權衡，將3x3x3的卷積分成一個3x3x1的卷積，和一個1x1x3的卷積，相當於在axial面使用較大的感受野，在與axial平行的兩個面使用3x1的感受野，最後通過一個1x1x3的卷積恢復到正方體，然後再加上殘差塊，和孔洞卷積（WNet，TNet和ENet的2D感受域分別為217×217,217×217和113×113，與axial軸垂直的兩個面的感受野是9）

2.Wnet和Tnet有20個intra卷積層（3x3x1），和4個inter卷積層(1x1x3)，兩個池化層，Enet的卷積層跟Wnet一樣但是池化層少一個

3.使用多尺度融合，類似於FCN，對不同尺度的特徵進行上取樣，然後通過一個3X3X1的卷積體特徵，最後concate給一個3x3x1的卷積進行2分類，淺層沒經過池化會有一些細節資訊，高層經過池化會有全域性資訊，並且每兩個卷積層加入了殘差塊，用來加速收斂和防止退化問題。