医学图像 | DualGAN与儿科超声心动图分割 | MICCAI

  • 文章转自微信公众号：「机器学习炼丹术」

  • 作者：炼丹兄（已授权）

  • 联系方式：微信cyx645016617（欢迎交流共同进步）

  • 论文名称：“Dual Network Generative Adversarial Networks for Pediatric Echocardiography Segmentation”

0 准备工作

0.1 生词

  • Pediatric 儿童的
  • Pediatric echocardiography 小儿超声心动图
  • CHD ： congenital heart disease 先天心脏病

0.2

1 综述

为了获得高质量的分割结果，目前临床上小儿超声心动图的分割主要由超声工作者手工完成，这既费时费力，又高度依赖于超声工作者的专业水平。为了解决这些问题，本文提出了一种新的卷积神经网络（CNN）结构，称为双网络一般对抗网络（DNGAN）。DNGAN由一个产生器和两个鉴别器组成，产生器采用并行对偶网络来提取更多有用的特征以提高性能。我们使用双重鉴别器来强制生成器学习更多的空间特征，并更准确地分割左心的边缘。

2 问题提出

在这里插入图片描述
图中是儿童的心脏的左心室和左心房的分割标注label，可以发现：左心房的变化比较明显，并且内壁会存在模糊，因此目前的对于四腔的分割存在一下挑战：
（1）因为噪音和模糊出现的边界不清晰；
（2）心脏的尺寸对于不同人是不同的；
（3）每一个心动周期心房和心室的变化是不同的。

3 模型结构

在这里插入图片描述

这个DNGAN的结构如上所示：包含一个生成器和两个鉴别器。

3.1 generator

由一个U-net和FCN并行构成，分别从输入图片中提取两种特征，然后特征进行像素相乘.

FCN输出的特征图为\(f_1\),U-net输出的特征图为\(f_2\),那么由generator输出的图像分割结果为\(F_G = f_1 \times f_2\).

3.2 discriminator

是一个六层的全卷积网络，然后分别用7，5，3作为卷积核的大小。卷积层后面跟着BN层和LeakReLU激活层。

使用的是multi-scale L1损失，类似于2014年的图像分割网络Richer conv net。

4 损失

4.1 generator损失

先回顾一下一般的GAN的损失函数：
在这里插入图片描述
在公式中：

  • x是real image
  • z是random import for generator
  • G(z)是生成的mask
  • D(x) 是判别起判断x是true的概率

再来看一下DNGAN的损失函数：
在这里插入图片描述

  • N为样本的数量；

  • \(x_n\)为某一张儿童超声心动图四腔图，\(y_n\)为对应的ground truth；

  • \(l_m\)是mean absolute error，也就是我们说的L1loss；
    在这里插入图片描述
    这个可以看到，\(f_D(x)\)是discrimintor提取的特征，L表示discrimintor的层数，所以\(f_D^i(x)\)表示discrimintor第i层提取出来的特征图

  • \(l_{cos}\)就是常说的cross entropy；

  • \(l_{D_2}\)是第二个discriminitor的损失函数，也比较复杂我们来看一下，这个损失函数分辨的是：输入的是生成的mask还是真实的mask。

5 数据描述

  • 数据集包含87个儿童超声心动图；
  • 搜集的是0到10岁的健康的儿童，每个视频至少包含24帧和一个完成的心动周期；
  • 随机选择67个视频，抽取了1765个图片作为训练集；剩下20个视频抽取451个视频作为测试集；
  • 原始图片的分辨率是1016x708或者636x432，所有的图片经过中心crop后变成704x704和448x448；

6 总结

1, 这篇文章的结果和过程存在疑点，文章中出现一处公式的疑似符号错误。
在这里插入图片描述

2, 文章中的并没有给出第二个discrimintor的loss使用MSE和BCE的平均值的原因，不确定是否之前就有文章已经讨论过这个样做的优势。从结果来看，使用GAN的框架来训练造成的提升并不高，反而提升分割精度的重点应该是分割网络的特征融合和宽度增加。
3， 文章使用GAN应用在儿童超声心脏病上的出发点很好，希望可以帮助更多的儿童摆脱先天性心脏病的困扰。

posted @ 2021-03-03 14:18  忽逢桃林  阅读(622)  评论(0)  编辑  收藏  举报