笔记-A Fixed-Point Model for Pancreas seg (MICCAI 2017)

A Fixed-Point Model for Pancreas seg (MICCAI 2017)

概述

该论文是发表在MICCAI2017会议上的一篇论文，作者将Fixed-Point Model【1】的思想（用预测的分割图来缩小输入的size）应用到胰腺分割中，主要思想是使用预测的分割图来缩小输入的size，因为相对较小的目标输入区域往往会有更好的分割精度。具体做法是：在训练阶段，直接使用GroundTruth作为mask来重新生成较小的目标输入区域，而在测试阶段，由于不能使用GroundTruth，作者首先固定网络参数通过迭代的方式使用每次迭代生成的预测图作为mask来更新分割结果。在NIH提供的公开胰腺数据集上较state of the art 有4%的提升。平均DSC达到了82.65+/-5.47%。

1. Li, Q., Wang, J., Wipf, D., Tu, Z.: Fixed-Point Model For Structured Labeling.
   International Conference on Machine Learning (2013)

提出问题

在各种医学图像分割任务中，胰腺分割可以算是最难的一种，主要源于胰腺结构、形状、大小、位置的多变性，而且只占整个CT非常小一部分（<0.5%），在这种情况下就导致深度神经网络被占据更大比例且包含复杂多变内容的背景区域所破坏。因此，尤其在边界上的检测特别不准确。在这里主要谈及做对比的方法是【2】【3】

2. Roth, H., Lu, L., Farag, A., Sohn, A., Summers, R.: Spatial Aggregation of
   Holistically-Nested Networks for Automated Pancreas Segmentation. International
   Conference on Medical Image Computing and Computer-Assisted Intervention
   (2016)
3. Roth, H., Lu, L., Farag, A., Shin, H., Liu, J., Turkbey, E., Summers, R.: DeepOr-
   gan: Multi-level Deep Convolutional Networks for Automated Pancreas Segmen-
   tation. International Conference on Medical Image Computing and Computer-
   Assisted Intervention (2015)

提出方法

话不多说，先看疗效。首先是验证了较小的输入会有更好的分割结果。

模型结构

训练时的结构与测试的结构不同，因为本文主要工作就是对输入进行准确的定位裁剪，在训练阶段直接使用GroundTruth作为mask对输入作裁剪，这都能想到，但是在测试阶段，我们无法使用GroundTruth，那最重要的mask就无法提供，因此作者又在阶段二（FineScaled）之前增了结构一，用于生成预测图来作为mask对输入做裁剪送到阶段二中。

如上图的模型，该模型是测试阶段的结构，其中包括两个阶段，粗分割与细分割。粗分割与细分割每个阶段都包括了3个模型，这些都是FCN8s结构在PascalVOC上的预训练模型。Mc、Ms、Ma即是3D CT三个轴的切片，每个轴的切片单独训练一个模型，到最后输出的时候进行融合，融合方法使用的majority voting（多数表决）以此融合成一个R值较大的3D框架（如图紫色框架），至此，用来裁剪的mask已生成，阶段一结束。
阶段二，直接使用mask进行裁剪，需要注意的是，某些轴可能达不到预测图的size，作者提出了用原图对边缘进行padding。据说还能避免过拟合。当然这还没有结束，还要通过不断的迭代，使得阶段一生成的mask Zt-1 与 Zt 尽量的接近，使用的是DSC作为衡量标准，要使得该结果大于等于阈值R（文中取0.95最佳，迭代十次，越高迭代次数越多）迭代算法步骤如下：

实验结果

在测试阶段的阶段一（coarse-scaled），三个不同轴切片的模型得到的结果分别是66.88%+/-11.08%,71.41%+/-11.12% ,73.06%+/-9.60%,如果将三个融合后，结果为75.74%+/-10.47%
在测试阶段阶段二，将迭代次数T设置为10，阈值R设为0.95，相较于上面的75.74%增加了6.63%。

以上图中的【8】【9】对应第二部分文献的【2】【3】。最终结果用黑体标注了。其中，Oracle Bounding Box 是做了一个小测试，使用测试集中的GroundTruth作为Mask得到的结果，以此证明，文中提出的方法有效与真实GroundTruth裁剪的数据结果很接近。

不同迭代次数的结果对比。