斯坦福大學提出：影響 MRI中語義分割的因素思考（含網絡架構，訓練損失函數和訓練數據特徵）

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：網絡架構，訓練損失函數和訓練數據特徵。

注：本文背景雖然是醫學圖像，但實際應用能夠擴展到圖像分割的任何領域。論文中所討論的 U-Net、SegNet和 DeepLabv3+三個網絡結構都是常見通用的算法。

正文

《Technical Considerations for Semantic Segmentation in MRI using Convolutional Neural Networks》

arXiv: https://arxiv.org/abs/1902.01977

github：None

做者團隊：斯坦福大學

注：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牀和研究應用中的組織形態測量和 relaxation 參數是相當重要的。雖然手動分割被認爲是黃金標準，但深度學習和卷積神經網絡（CNN）的最新進展已經顯示出有效的軟組織自動分割的但願。然而，因爲深度學習的隨機性和訓練網絡中的大量超參數，預測網絡行爲具備挑戰性。在本文中，咱們量化了與CNN分割性能相關的三個因素的影響：網絡架構，訓練損失函數和訓練數據特徵。 咱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。

網絡結構

(A) U-Net

(B) SegNet

(C) DeepLabV3+

Three encoder-decoder fully convolutional network architectures

Volumetric 結構

在這個實驗中，咱們訓練了2D、2.5D 和3D U-Net 網絡結構用於股骨軟骨分割。

損失函數

論文在類別不平衡的狀況下選擇了經常使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

網絡結構比較

下圖顯示了樣本切片上U-Net，SegNet和DeeplabV3 + 網絡結構的性能比較。全部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，全部網絡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備更差的性能（下圖B，C）。 儘管這些區域的準確度較低，但這些網絡準確地分割了具備由病理學引發的異質信號和具備類似信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

注：論文實驗對比很全面，實驗結果和相關調參、訓練技巧和結論能夠擴展到圖像分割的任何領域。

想要了解最新最快最好的論文速遞、開源項目和乾貨資料，歡迎加入CVer學術交流羣。涉及圖像分類、目標檢測、圖像分割、人臉檢測&識別、目標跟蹤、GANs、學術競賽交流、Re-ID、風格遷移、醫學影像分析、姿態估計、OCR、SLAM、場景文字檢測&識別和超分辨率等方向。