理解 Brain tumor segmentation with Deep Neural Networks。
一、摘要
1. 基于DNNs提出了一种 fully automatic brain tumor segmentation 方法。
2. 提出的方法适用于MRI中的胶质瘤。
3. 提出的CNN方法探索局部特征的时候同时探索更多的全局上下文特征。
4. 网络用卷积实现了最后一层全连接层，加快了速度。
5. 提出了两阶段训练方式，用来解决肿瘤标签不平衡相关的问题。
6. 发明了一种级联结构，其中基本CNN的输出被视为后续CNN的附加信息源。
二、Introduction
1. 脑肿瘤分割的目标是检测和定位肿瘤的扩散，活动性肿瘤组织（有无血管形成）、坏死组织和水肿（肿瘤附近肿胀）。 当与正常组织相比较时，这是通过识别异常区域来完成的。 由于胶质母细胞瘤是浸润性肿瘤，其边界常模糊，难以与健康组织区分。
2. 许多机器学习方法的一个问题是，它们在执行像素分类时不考虑标签的局部依赖性（即，给定输入图像，分割标签在条件上是独立的）。 为了说明这一点，可以使用结构化的输出方法，例如条件随机场（CRFs），其推理在计算上可能是昂贵的。 或者，可以通过将初始cnn的像素级概率估计考虑为第二dnn的某些层的附加输入来对标签依赖进行建模，从而形成级联架构。 由于卷积是有效的操作，因此这种方法可以比实现CRF快得多。
3. 实验分析集中于使用全注释MIC-CAI脑肿瘤分割(BRATS)Challenge2013数据集，允许直接定量地与多种其他方法进行比较。
4.文章的贡献如下，
（1）提出了一种fully automatic方法。
（2）分割速度快。
（3）实现了一种双通道结构（了解大脑的局部信息和更多的上下文信息）。提出了两阶段训练方式（对处理标签分布不平衡很关键）。
（4）采用了一种新颖的级联结构，作为流行的结构化输出方法的一种高效且概念清晰的替代方法。
三、提出的CNN
1. 双通道结构
2. 级联架构
将第一个CNN的输出概率作为第二个CNN的层的附加输入。 通过依赖卷积层的级联来实现。 在这种情况下，只需将第一个CNN的输出层与第二个CNN中的任一层连接起来。 此外，两阶段的CNN都使用相同的双通路结构。
3.研究了在第二个CNN的不同级别上连接第一个CNN输出的三种级联架构:
（1）输入级联：将第一个CNN的输出直接作为第二个CNN的输入。 因此，它们被简单地视为输入patch的附加图像通道。 我们将此模型称为InputCascadeCnn。 如下图所示，
（2）局部路径级联：在局部路径中向上移动一层，并在第二个CNN中执行到其第一个隐藏层的级联。 我们将此模型称为LocalCascadeCNN。 如下图所示，
（3）输出前级联:在最后一种体系结构中，我们移到第二个CNN的末尾，并在其输出层之前执行级联。 我们的CNN允许一个位置的输出受其先前值的影响，并且卷积核在第一和第二CNN中是不相同的。 我们将此模型称为MFCASCADNN。 如下图所示，
4. 训练
随机梯度下降
5. 两阶段训练