斯坦福大學提出：影響 MRI中語義分割的因素思考（含網路架構，訓練損失函數和訓練數據特徵）
- 2019 年 12 月 31 日
- 筆記
前戲
【導讀】今天分享一篇斯坦福大學剛出的論文，本文量化了磁共振成像中與CNN分割性能相關的三個因素的影響：網路架構，訓練損失函數和訓練數據特徵。
註：本文背景雖然是醫學影像，但實際應用可以擴展到影像分割的任何領域。論文中所討論的 U-Net、SegNet和 DeepLabv3+三個網路結構都是常見通用的演算法。
正文
《Technical Considerations for Semantic Segmentation in MRI using Convolutional Neural Networks》
arXiv: https://arxiv.org/abs/1902.01977
github：None
作者團隊：斯坦福大學
註：2019年02月07日出的paper
Abstract：磁共振 volumes 的高保真語義分割對於估計臨床和研究應用中的組織形態測量和 relaxation 參數是至關重要的。雖然手動分割被認為是黃金標準，但深度學習和卷積神經網路（CNN）的最新進展已經顯示出有效的軟組織自動分割的希望。然而，由於深度學習的隨機性和訓練網路中的大量超參數，預測網路行為具有挑戰性。在本文中，我們量化了與CNN分割性能相關的三個因素的影響：網路架構，訓練損失函數和訓練數據特徵。 我們評估這些變化對股骨軟骨分割的影響，並提出對CNN架構和訓練方法的修改，以便有效地訓練這些模型。
網路結構
(A) U-Net
(B) SegNet
(C) DeepLabV3+
Three encoder-decoder fully convolutional network architectures
Volumetric 結構
在這個實驗中，我們訓練了2D、2.5D 和3D U-Net 網路結構用於股骨軟骨分割。
損失函數
論文在類別不平衡的情況下選擇了常用於分割的四種損失函數用於比較：
- general cross-entropy losses
- soft Dice loss
- weighted cross-entropy (WCE)
- focal loss (γ=3)
數據預處理和數據增廣
詳見論文
實驗結果
網路結構比較
下圖顯示了樣本切片上U-Net，SegNet和DeeplabV3 + 網路結構的性能比較。所有三種基本結構在包含厚軟骨結構的切片中保持高保真度（下圖A）。 然而，所有網路在包含全層軟骨損失和剝去軟骨下骨，邊緣切片和內側 – 外側過渡區域的切片中具有更差的性能（下圖B，C）。 儘管這些區域的準確度較低，但這些網路準確地分割了具有由病理學引起的異質訊號和具有相似訊號的解剖結構接近的切片（下圖3C）。
Sample segmentations from three FCN architectures (U-Net, SegNet, DeeplabV3+) with true-positive (green), false-positive (blue), and false-negative (red) overlays
Volumetric 結構比較
Performance bar graphs and depth-wise region of interest distribution
損失函數比較
A summary of performances of networks trained on (A) binary cross-entropy (BCE), (B) soft Dice, (C) weighted cross-entropy (WCE), and (D) focal losses
數據增廣對比和FOV Generalizability對比
詳見原論文
註：論文實驗對比很全面，實驗結果和相關調參、訓練技巧和結論可以擴展到影像分割的任何領域。
