【H-DenseUNet】Hybrid Densely Connected UNet for Liver and tumor Segmentation from CT Volumes

这是一篇针对医学CT图上的而非公共数据集上的语义分割，由题目也可以看出，采用了UNet型结构。

概述

---

• 要解决的问题
  • Liver cancer的CT图诊断
  • 要解决的问题就是2D convolutions不能对CT图的三维信息很好的利用
  • 如果是3D的卷积【各个框架都有实现】，会耗费很大的计算和内存资源
• 采用的方法
  • 提出的bybrid densely connected Unet(H-DenseUnet), end-to-end
• 结果如何
  • 在数据集MICCAI 2017 Liver Tumor Segmentation(LiTS) Challenge 和 3DIRCADb数据集上进行评估，比其他state-of-the-art效果好。
  • 2017LiTS leaderboard第一名，3DIRCADb数据集上结果为state-of-the-art。
• Contributions
  • 在特定的方向上提出了的方法。提出了针一种针对性的CT立体图问题解决方法。
• Related work：
  • 相比于肝(liver)分割，肝肿瘤(liver tumor)分割更加具有挑战性：(1) 肝瘤在不同的病人身体有不同的size, shape,位置，数量。这些问题严重阻碍自动分割；(2) 一些病变没有明显的边界；(3) 许多CT扫描由各向异性尺寸组成，沿z轴变化较大（体素间距在0.45mm至6.0mm之间），这对自动分割方法提出了挑战。【有点不太透彻】
  • 现在的3D与训练模型很少，几乎没有，知识迁移无法做到。
  • 【以下是一些综述】
  • 过去的几十年里，有些多的算法去做肝和肝瘤的图像分割，包括：（1）基于手动设计特征的方法：thresholding, region growing, deformable model based methods and machine learning based methods。（2）基于深度学习的方法

细节

---

• 由三部分组成：2D DenseUnet，3D DenseUnet，HFF(hybrid feature fusion)
  

• Deep 2D DenseUnet for Intra-slice Feature Extraction：
  
  

  • 2D模块为DenseNet-161，如上图第一个蓝块，输入为2D图像（$w\ast h\ast 1$）【这里的二维是指视觉上的，而不是指其具体维度】，具体的DenseNet在图©中显示，在一个Dense block中，每经过一个层后，channels数会增加k（k为growth rate）。
  • 最原始的训练样本的维度是：$Image\in R^{n\ast 224\ast 224\ast 12\ast 1}$，其实就是一个立体三维的图像，标签则是$Y\in R^{n\ast 224\ast 22}$