医学分割论文:Deep Learning Based Brain Tumor Segmentation: a survey
医学分割论文:Deep Learning Based Brain Tumor Segmentation: a survey
Auther: Zhihua Liu, Institution:University of Leicester, Publish year: 2020
论文地址：https://arxiv.org/abs/2007.09479v2
综述类论文
背景
脑部肿瘤难以分割的原因：脑肿瘤可能出现在脑组织中的任何位置，其形状和大小均不确定；另一方面，脑肿瘤和正常组织之间存在相互浸润的边界，使得边界难以区分。而深度学习近年来在图像分割，图像分类领域获得长远的进步，促进了深度学习在医学图像分割领域的研究进展
挑战
- 肿瘤位置不确定
- 肿瘤形态不确定
- 图像对比度低
- 医生标注偏差
- 图像类别不平衡
Fig 1 脑部胶质瘤分割所面临的挑战
文章结构
Fig 2 文章组织架构
CNN-based method
- single-path and multi-path CNN:
利用卷积层提取图像特征，使用全连接层或直接在卷积后加softmax完成分类。single-path只能在单一尺度上提取特征，而multi-path可以在多个尺度提取特征并进行特征融合
Fig3 Single-path和Multi-path的对比
2. fully convolutional based:
使用反卷积层代替全连接层，从而实现直接输出原尺寸的分割结果。其中，U-Net就是FCN的一种重要形式。针对医学数据天然的三维数据形式，为了获取更丰富的特征，学者们提出了V-Net，3D U-Net等三维网络。
Fig4 不同FCN的对比
3. cascaded CNN：
可以将多分类任务分解为多个二分类任务（肿瘤区域 -> 肿瘤核）
Fig5 典型的级联结构，将多分类任务转为连续的二分类任务
RNN-based method
RNN：现有的输出和当前输入以及之前的输入有关，因此可以充分利用上文信息，对于时序序列效果较好
而在现有的医学数据中，RNN-based method以三维体素轴作为时间轴，拓展了网络利用空间信息的能力
deep generative model based
- 传统的深度神经网络是基于监督式的学习方法，针对训练集和测试集进行，对于真实数据，其预测会存在偏差或者过拟合
- 数据集的标注及检查会消耗大量的人力物力
- 像素级的分类会导致分割结果和目标的形状和尺寸存在偏差
- 生成对抗网络
- 自动编码器
以上两者由于具有学习潜在表示和重构的能力，研究的重点是利用无监督模型生成合成数据来增强数据
ensemble models
深度神经网络的一个缺陷在于模型的性能受训练集和训练方式的影响，因此大部分模型只能在特定的数据上表现较好。因此，将多个模型进行集成，可以将不同模型的优势集合起来，表现比单个模型更好。
但模型集成也有缺点：1. 计算量大。（需要训练多个模型）2.串联子模型的投票方案缺乏有意义的解释。
数据前处理，后处理和数据增强
- 数据前处理
前处理的原因是原始数据可能包含噪声、错误，并且存在标签不平衡的问题，可能导致过拟合
- 颅脑剥离
- 图像配准
- 正则化
- 数据后处理
- 常规的图形学后处理，阈值化处理
- 条件随机场（CRF）,高斯马尔可夫随机场（MRF）通过推断像素对，给出像素强度分布和空间距离等先验信息
- 数据增强
数据增强的目的是防止模型过拟合，数据增强的方法包括翻转，裁剪，移动，缩放，弹性形变等。
公开数据集及评价指标
数据集：BraTS chanllenge BraTS2012-2018
评价指标：Dice, Sensitivity, Specificity, Hausdorrff distance.
未来的发展方向
-
迁移学习
从零开始去训练和调整一个模型需要耗费大量的时间和算力，假设目标域和源域之间的距离足够近，可以将转移学习作为一种解决方案，将在源域收集的知识转移到目标域，然后在目标域进行微调，以获得满意的性能。 -
模型解释
考虑到应用价值和相关的安全问题，理解模型如何学习分割以及不同层已经学习了什么医学分割至关重要。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nWSA4D6b-1597286148355)(./images/model-explain.png)]
Fig5 左: MR图像，分割结果以及不同层的激活特征 右：Global path和local path所提取的不同特征 -
带推断的分割（结合部分信息？）
与汽车或建筑物等刚性对象的分割相比，异常组织可以是大脑中任何形状或大小的任何地方，这在很大程度上限制了非刚性器官分割。生物组织有其独特的特性，例如肿瘤核心被水肿包围。这些独特的性质不仅有助于消除分割中的误报，而且在学习特征时也能利用空间信息进行推理。 -
高效精确的分割
-
数据集建设