Brain Tumor Segmentation using Holistically‐Nested Neural Networks in MRI Images

Zhuge Y, Krauze A V, Ning H, et al. Brain Tumor Segmentation using Holistically‐Nested Neural Networks in MRI Images [J]. Medical Physics, 2017.

 

 在PubMed上搜索到此篇文章，文章创新点：

 

We are presenting a novel method of automatic image segmentation based on holistically-nested neural networks that could be employed for brain tumor segmentation of MRI images.

 

方法：

• 2种预处理：   ①  N4ITK，用于偏移场校正

                                 ②  nove landmark-based 灰度正则化。

• holistically-nested neural networks (HNN)：把CNN增加一个deep supervision，以学习多尺度和多层次表示。

                                                             产生一个prediction map，然后，通过最优阈值产生分割。

 

文章大概：

简单介绍了肿瘤的治疗方式以及存活期。常用MRI。需要勾画出肿瘤区域。但是人工勾画费时，且差异较大。半自动或者自动可以解决这个问题。接着介绍了一堆半自动和自动的分割方法。最后介绍了CNN的方法。

 

尽管CNN方法具有 promising的performance，但是仍然有改进的room.

传统CNN的缺点：

1. patch-based的，主要考虑local特征。

2. 通常需要数据增强。

 

因此，作者探讨利用HNN进行分割，此处引用论文《Holistically-nested edge detection》，相比于传统CNN，HNN优点：

1. 对整个图像进行训练，每个像素都有一个cost函数。
2. 基于FCN和deeply supervised nets 的多层次和多尺度特征学习。

因此，不需要大量的数据。但是HNN只能用于单目标分割。作者只分割 enhanced brain tumor.

 

文章的另外一个贡献： landmark-based image intensity normalization for MRI images.

 

HNN部分看不懂，转而去看论文《Holistically-nested edge detection》。

 

RESULTS部分：

 

在这部分中，performance被evaluated.20 data using two-fold 交叉验证。20 data 分为 2 folds.

 

 

与FCN进行对比。FCN用的是GitHub上的代码：http://fcn.berkeleyvision.org

  

 作者还用brats2013数据库训练的HNN处理临床数据。

 

性能都有所提升，可能与图像的质量有关，或者是groundtruth的不同.

 训练10小时，分割30S.

 DISCUSSION 部分：

 基于训练好的VGGNet模型进行的初始化。与HED相同的参数。Caffee平台。

 CONCLUSIONS 部分：

 正在扩展到多目标分割。