Hierarchical combinatorial deep learning architecture for pancreas segmentation-笔记

Network architecture

网络结构来源于RCF network。RCF基于Holistically-nested Edge Detection (HED) network，是一个边缘检测结构，目的是提取自然图片的显著的边缘和物体的边界。
网络结构如图：

虽然这个图画的不太常规，好像很厉害，但是有类似的结构。4个pooling，5个stages，13个卷积。每个stage后边加特征融合层，对5个stage提取的特征进行融合。每个stage之间的卷积核大小为1X1，通道21。将每个stage不同卷积层输出的特征进行堆积，得到混合特征，然后通过一个1X1@1的卷积层。特征融合层厚，通过反卷积对特征图进行上采样，得到和原图一样大小的特征图。
使用双线性插值对不同的卷积核进行初始化。
网络具体细节如下：

对原图进行裁剪。通过平移和缩放进行数据增强【28】。使用BSDS500【26】数据集进行迁移学习。【29】证明了迁移学习对医学图像任务的重要性。对label进行处理，将目标区域变为0黑色，背景变为255白色。
训练过程
优化过程（其实就是后处理）：分为3步，融合，最大化相连区域，阈值滤波器处理。融合，一系列的概率图被融合为1个新图，其实就是将5个stage输出的每个特征图，进行二值化（大于0为255）后相加，然后取平均值，即除以5。最大化相连区域，首先将融合后的图像进行二值化（也是大于0为255），找到二值化图中，相邻非零像素，然后得到几个相连区域，然后选择最大面积的区域；阈值滤波器处理，使用得到这个最大区域对原图进行分割。
评价标准：
Precision，Recall，Dice Similarity Coefficient，Jaccard similarity coefficient。

损失函数

I为每个像素；K表示5个stage，因为每个stage都会有输出；最后一项为经过融合（优化过程第一步）后的概率图的损失。


为了平衡正负样本，使用超参数 λ （训练时使用1.1）。+代表原图正样本，-代表原图负样本。