[深度学习从入门到女装]Focus, Segment and Erase: An Efficient Network for Multi-Label Brain Tumor Segmentation

论文地址：http://openaccess.thecvf.com/content_ECCV_2018/papers/Xuan_Chen_Focus_Segment_and_ECCV_2018_paper.pdf

 

这是ECCV2018的一篇关于脑部肿瘤分割的论文

文中提出目前脑部肿瘤分割的两个主要困难

1、class imbalance

主要表现在两个方面，第一是不是肿瘤的区域可能是肿瘤区域大小的上千倍，第二是一些肿瘤组织相对于其他的要大

2、inter-class interference

主要来源于不同肿瘤组织之间的相似特征，导致对于每一类的辨别造成困难

 

这篇文章提出了FSENet处理这些问题

分为三步focus、segment、erase

对于整个大脑来说，检测出含有肿瘤的区域较为简单，因此先进行focus得到含有肿瘤的区域

接着对于含有肿瘤区域的肿瘤多组织分割分为两步，“outer-to-inner”，第一步是segment，也就是先分割出一个肿瘤组织，然后再进行erase，也就是把上一步分割出来的组织进行擦除，之后再进行下一个肿瘤组织的分割，依次反复，最终得到各个肿瘤组织的单独分割结果，再融合到一起成为最终分割图

 

 

FSENet

FSENet分为两个部分tumor region pooling and cascaded binary classifiers with erasing

网络的输入使用了四种模态（contrast-enhanced T1-weighted (T1c) image,T1-weighted (T1) image, T2-weighted (T2) image and FLuid-Attenuated Inversion Recovery (FLAIR) image）的MRI进行concate

 

Res-UNet

使用res-conv模块替代U-net中的conv模块

Res-UNet作为backbone进行深层卷积特征的提取

首先使用网络进行肿瘤区域的分割，然后使用RoIAlign从原本特征图上提取到肿瘤区域的特征，接着把这些特征用于肿瘤组织的分割

这么做的好处有两点：1、非肿瘤区域含有一些no-measurement area（black region），能够节省计算资源

2、非肿瘤区域不会阻碍接下来的多label分割

 

Cascaded Binary Classifiers with Erasing

inter-class future similarity和class imbalance在不同肿瘤组织中很常见，因此很难使用one-stage方法进行同时分割，因此本文提出了将multi-label问题转化为多个binary问题，one-stage到multi-stage任务。

简单地转为binary问题并不会带来很大的提升，这是因为对于相似或者微小组织的分割，依旧收到其他组织的影响，为了解决这个问题，先使用outer-to-inner从外到内进行分割，然后使用erase操作将已经分割后的组织进行消除

erase操作是使用element-wise对RoI feature map进行mask的擦除：

erase操作并不是简单的将predict map进行一个thresholding

 

Loss and Final Result

对于每个肿瘤组织的分割结果，使用dice loss