【论文阅读】Pancreas Segmentation in Abdominal CT Scan: A Coarse-to-Fine Approach 2016

前言

医疗影像中的小目标分割有很多的解决方案，不同的解决方案在不同的实验数据上得到的结果不一定一致，关键是多尝试。比如，有通过改变loss function来解决这个问题，或者是采用attention机制。
本文想分享的论文的思想可能是大家之前都有过的想法：
先定位小目标的位置，再分割～～!!

好论文的思想值得学习，论文的实验方法也同样值得学习，同时对相关问题保持批判思考的态度。

数据及任务概览

数据： CT
任务：胸部CT的胰腺分割
难点：小目标分割

关键思路

1. 粗定位

直接使用全图进行训练，同样会得到相应的结果，但是mask准确度不高，细节处误差很大，背景的影像太大，但是可以定位胰腺的位置！

2. 细分割

如果可以使用小图进行训练，小图的中央是胰腺，那么背景的影响会大大降低，病灶占比增大，同样会提升准确度。如何裁剪小图，就要用到粗定位的mask。！
此处，需要注意一点：在训练的过程中，细分割的模型输入的小图，是通过训练集grand truth得到的，所以细分割的训练不需要粗定位的训练提前给出结果！两者可以并行训练。
注意！！训练过程中的定位是准确的！因为根据标注mask得到。
细分割的精度当然是最高的。
如下图所示：

绿色为gt，而黄色为预测与gt的重叠，红色也是预测的部分，但是不属于gt，红色部分可以理解为假阳性。

3. 三个方向模型融合

数据为3D的形式，论文实际使用的是3D–>2D的图像，会丢失掉大量的三维的结构信息，所以，在3D–>2D的时候，使用了三个方向，每个方向都训练模型，包括粗和细，然后结合三个结果，最后得到一个3D的预测结果。
如下图所示：

4. 2.5D

为了尽可能的弥补3D–>2D的信息丢失问题，使用三种连续的slices合成一张3通道图像，结果还是有明显的提升的。如下图所示：

5. test集预测部分

前面我们2已经提到了，训练过程都是使用的GT，但是在test的部分并没有GT。首先，我们有粗分割，得到的mask，可以对图像进行裁剪。
但是，个人感觉，这个mask毕竟不是那个mask，裁剪的图像可能会有偏移，肯定不是使用GT的那么的准。
没事，先用着。
得到裁剪的图像之后，送入到细分割的模型，也是经历三个方向的model，得到mask，我们称这个为第一阶段的mask。
这个mask肯定没那么准（个人感觉。。）但是！！毕竟是在小图上做的分割，肯定比粗分割的好多了。既然第一阶段的mask好多了，那么我们使用第一阶段的mask重新对小图进行定位，再裁剪；继续放入模型进行预测，此时的输入图肯定比第一阶段的输入图准了一些，那么，理想的情况下，得到的第二阶段的mask应该会更准确了呗，循环啊。。
循环停止的条件是：
上一个结果的mask和现在的mask结果，DICE大于0.95，那么停止。。
迭代的过程。
此部分为预测！没有模型的训练哦。
下表所示：
这个循环过程（mean dice），好像只提升了一点点？？···

6. 整体的流程

不摆公式了。。

参考

Zhou, Y., Xie, L., Shen, W., Fishman, E., Yuille, A.: Pancreas Segmentation in
Abdominal CT Scan: A Coarse-to-Fine Approach. arXiv preprint arXiv:1612.08230
(2016)
Deep Supervision for Pancreatic Cyst Segmentation in Abdominal CT Scans

大家是不是都喜欢用胰腺囊肿做CT中的小目标定位分割呢。。。