A Deep Learning-Based Segmentation Method for Brain Tumor in MR Images-阅读笔记

2017-07-08-A Deep Learning-Based Segmentation Method for Brain Tumor in MR Images-阅读笔记

Abstract

当前非常需要一个能准确的分割肿瘤的系统，文中采用SDAE的网络结构（DAE是由Bengio在08年提出的），为了提高网络的鲁棒性，在网络的输入层引入噪声。意思是使用被破坏的输入数据可以重构出原始数据，所以这个网络训练出来的特征会更加鲁棒。

I、Introduction

   准确的分割肿瘤是计算机辅助诊疗的一个重要手段，现在主要的分割方法是依靠医生的主观经验，不仅费时而且由于医生的专业经验等问题，同一个病人可能会分割处不同的结果。除此之外，由于人与人的大脑形状以及脑组织的灰度级相差不大，所以给分割造成了很大的困难。因此准确的分割肿瘤是当前的急需。

   很多分割脑脑肿瘤的方法不断衍生，有区域生长法，水平集方法，模糊C均值方法以及机器学习方法。但是大多数方法都需要人工的干预，因此还会造成分割的效果不好。

   用于计算机辅助诊疗的常见机器学习方法主要包括神经网络和SVM。神经网络的准确率依赖于特征的选择以及网络的结构，SVM也是着这样的。而且SVM对大量的特征并不适用（有资料证明吗？）。

   本文提出一种方法。首先提取图像块然后进行灰度变换，接着送入SDAE，再对提取的特征进行分类，分类结果是二值的，最后进行后处理（恢复出原图像）。一共有10个病人的数据，9个用来训练，1个用来测试。

II、STACKED DENOISING AUTO-ENCODER

    A、Training Each Layer as an Auto-Encoder

    逐层训练自编码机，每一个自编码包括输入层、隐藏层和输出层，当前的输出层是恢复出的输入图像，目标就是降低输出与输入的差距，当前的隐藏层是下一个自编码机的输入，依次类推。

    B、Pre-Training and Fine-Tuning

    第一步、训练第一个自编码机，使得重建的误差最小。

    第二步、第一个自编码机的因层作为第二个自编码机的输入，训练第二个自编码机，后面的自编码机也是这样。

    第三步、最后一个自编码机的输出最后分类器的输入。

    这样就是与训练，可以获得比随机初始化参数能达到更好的局部最小值。称为预训练。

    

    最后一层的分类器是两个神经元，通过分类结果取反向调整参数是Fine-Tune。

    总结一下上面的做法：先是采用自监督的方法训练DAE，DAE能够很好的重建出来输入图像，说明DAE的隐藏层参数能够很好的表征输入图像，训练多层DAE就能得到SDAE。然后把训练好的参数作为分类网络的初始化参数，最后通过利用SGD来反向调整前面的参数来获得更好的分类结果，这就是finetune。

    III、SYSTEM DESIGN

    


    系统结构如图所示。

    A、预处理

    首先对原图进行亮度和 对比度进行调整。然后根据手工分割的作为GT，以GT的中心像素作为图像块的label，提取图像块大小为25x25,图像块的灰度级调整为625个（这怎么调整？）。

    B、建立网络

    搭一搭就好了。

    C、分割处理

    在获得前一步骤的原始分割结果后，我们将发现将脑肿瘤周围的正常组织的某些点分类为脑肿瘤。 由于肿瘤与周围组织之间的强烈对比，我们首先对已被视为肿瘤的所有点绘制灰度直方图，然后根据灰度分布，选择中间灰度级并直接应用 灰度级别分为已被归类为肿瘤的点。 如果一个点的灰度级小于中间灰度级，我们将认为这一点属于正常组织。

    分割之后的二进制图像有一些孤立的点，为了消除这些点，我们采用形态学操作。

    IV、实验

    A、数据

    10个病人的图像，每个图像是763x763,9个训练，1个测试。图像块的的大小为25x25,展开成一个向量为625x1.

    B、Experiment Setup

    mini-batch ===> 100; epoches for pre-training ===> 15; epoches for fine-tune ===> 20;learining rate ===> 1(太大了吧)。

    D、Comparison with SVM

   


    E、Compare with CNN

   


    

    我的个人总结：

    这篇文章思路比较简单，采用SDAE进行与训练，然后进行finetune。当然在进行SDAE的时候，应该是把25x25的图像块展开成一个向量。然货进行分类。

    文章的不足：

    1、没有说明提取块的具体过程。（这个不说也罢，不了解的可能会比较难理解）

    2、没有给出DAE恢复出来的图像，应该给出与原图做对比。（这个很重要）

    3、没有画出loss或者acc的变化曲线。

    4、没有详细的说明怎样根据分类结果重建肿瘤。（很重要）

   

   个人愚见，轻喷。