Brats(脑肿瘤分割)2018/2019第1名分割方案_brats2018数据集

                             

 数据集简单介绍

• 训练集：335，验证集：125，测试集：166
• 标签图上的3个独立区域类别：ET(enhancing tumor)+ED(peritumoral edema)+NET(non-enhancing tumor)
• 评价时的3个有重叠的区域：WT(Whole Tumor)+TC(ET+NET)+ET
• 模态：T1,T1ce,T2,Flair

Brats2018--3D MRI brain tumor segmentation using autoencoder regularization

总的思想：在UNet编码-解码的基础上再加一条图像重建分支(VAE)，对编码器起到正则的效果

The motivation for using the auto-encoder branch is to addadditional guidance and regularization to the encoder part, since the training dataset size is limited.

 具体：

• 网络输入patch shape:[channels,depth,H,W]=[4,128,160,192]
• 网络输出shape：[num_classes=3,depth,H,W]
• batch size=1
• 分类器激活函数:sigmoid，因为该网络的target不使用分类标签3个独立的类别，而使用评价的3个区域，因为这三个区域类别有交集，所以使softmax不合理

数据预处理和增强：

• 在图像像素非0区域计算mean和std来normalize所有输入图像
• 在输入图像通道上应用一个随机的(每个通道)强度偏移(图像std的0:1::0:1)和放缩(0:9::1:1)
• 在3个轴上应用概率为0.5的随机的镜像翻转

编码器：

• 残差块，Group Normalization，在初始卷积层后面应用dropout，rate=0.2
• 下采样:strided convolution,总步长:8
• 输出:[256,16,20,32]

解码器：

• 每层：1*1*1卷积是通道数减半+上采样(3D插值)+跳跃连接+一个卷积块
• 输出:[32,128,160,192]
• 最终层:1*1*1卷积输出经过sigmoid激活:[num_classes=3,128,160,192]

VAE分支：输入:[256,16,20,32]==>卷积==>全连接==>[256,1]

Loss：

 分割损失：

 VAE损失：

 

 结果：

 

Brats2019--Two-Stage Cascaded U-Net

 总的思想：把分割任务分为两个阶段，可进行end-to-end的训练

• stage1：使用UNet的变体结构，得到一个粗略的分割结果，与label计算得到loss1

        Unet的编码器初始卷积核个数是16，每经过一层，个数翻倍

• stage2：带有两个解码器的自解码器结构，输入是原输入和粗分割预测图做concatenate的结果，两个预测图分别和label计算得到loss2和loss3

                  stage2 网络编码器初始卷积核个数是32，每经过一层，个数翻倍，拥有两个解码器，区别在于上采样使用的方案，一个使用反卷积，一个使用trilinear interpolation

其他

预处理，网络训练，后处理等细节，报告中没有交代，暂且不得而知

结果