医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第2张图片
蕊蕊 - 0天前注册会员;
医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第2张图片
d4JyHCQK - 2天前注册会员;
医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第2张图片
GqvJYTGO - 4天前注册会员;
医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第2张图片
zamLzXuI - 5天前注册会员;
医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第2张图片
oPqvT7Pl - 7天前注册会员;
加入我们(397 )

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

医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第8张图片
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

医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第9张图片

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:
医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第10张图片
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:
医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第11张图片

  • 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;
    医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第12张图片
    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。
医学图像 | DualGAN与儿科超声心动图分割 MICCAI-66绿色资源网-第13张图片

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。

声明:本站原创文章文字版权归本站所有,转载务必注明作者和出处;本站转载文章仅仅代表原作者观点,不代表本站立场,图文版权归原作者所有。如有侵权,请联系我们删除。

sitemap