（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背景范围不敏感。Hausdorff距离是Dice度量的补充，它测量的是两个边缘轮廓之间的最大距离，它极大的惩罚了异常值，预测结果可能会表现出体素完美的重叠，但是如果单个体素远离参考分割。Hausdroff距离将会很高。因此这个指标可能看起来比Dice指数更复杂，但却能够方便的评估临床相关性。

方法

概述

设计了两个独立的训练管道，采用基于3D-UNet的共同神经网络体系结构，这两种不同的训练方法是分开的，以促进网络预测的多样性。

神经网络架构

网络使用了一种编码器-解码器结构，其结构如下图所示

在下文的描述中，Stage被定义为不改变特征图的空间维度的任意数量的卷积。所有卷积之后是归一化层和非线性激活层。由于训练过程中的批处理规模较小，而且在非医学数据集上具有良好的性能，作者使用组归一化（管道A）和实例归一化（管道B）来代替批归一化

 编码器有四个阶段，每个阶段由两个3*3*3卷积组成。第一次卷积将卷积核的数量增加到预设值，而第二次卷积保持输出通道的数量不变。在每个阶段之间，通过最大池化层进行下采样，池化核大小为2*2*2，步幅为2，每次下采样之后，卷积核的数量增加一倍。在最后一级中，进行两个膨胀率为2的3*3*3膨胀卷积，然后再与最后一级输出连接。

网络的解码器与编码器是对称的，在每个阶段采用三线性插值进行空间上采样。共享相同空间大小的编码器和解码器之间快捷连接是通过串联来执行的，执行最低空间分辨率的解码器仅由一个3*3*3的卷积组成。最后一个卷积层使用了带有三个输出通道和一个sigmod激活的1*1*1的内核。

损失函数

我们使用Dice损失（A）来训练神经网络，损失L是分批和通道计算的，没有加权，损失函数如下：

其中n为输出通道数，S为sigmod激活后的神经网络输出，R为真实标签，是一个平滑因子（在实验中设置为1），对于多样性管道B使用了一个略微不同的DIce公式，没有将分母平方，直接对最终的三个脑肿瘤区域进行优化。神经网络的输出是一个3通道的体积，每个通道代表每个肿瘤区域的概率图。

深监督在膨胀卷积之后，以及解码器的每个阶段之后执行，深监督是通过增加一个额外的1*1*1卷积与sigmod激活和三线性上采样来实现的。像主要输出一样，每一个额外的卷积产生一个三通道的体积，每个通道代表每个肿瘤区域（ET,TC,WT）的概率图。最后的损失是主要输出损失和4个辅助损失的加权求和组成。

图像预处理

将所有强度值裁剪到体积非0体素分布的1%和99%（A）后，分别对每个MRI序列进行最大-最小缩放。管道B分别通过每个MRI序列的非0体素进行Z分数归一化。

然后使用最小的包含整个大脑的边界框将图像裁剪成可变大小，并随机重新裁剪成固定大小的128x128x128补丁。这样就可以移除原始区域中大部分无用的背景，并从几乎完整的视角了解每个脑瘤。

 总结

脑肿瘤分割任务虽然具有挑战性，但可以使用类似于3DUNet的神经网络架构，通过精心制作的预处理，训练和推理过程以良好的精读解决！