论文笔记：3D MRI brain tumor segmentation using autoencoder regularization

大致框架

主要内容

1. 数据预处理与扩充
2. 网络基本架构
   1）基于卷积神经网络（CNN）的编码器 - 解码器架构
   包括较大的编码器与较小的解码器，其中编码器用于提取输入图像的深度特征，解码器用于重建密集的分割掩码。
   2）额外分支—— 变分自动编码器
   在编码器的结束节点使用，用于重建原始输入图像与特征聚类结果的优化，为编码器输出结果增加额外的导向与正规化。
3. 损失函数
4. 优化与规范化

数据预处理与扩充

（这里我觉得很奇怪，不知道为什么原文作者要把预处理模块放到Method的最后一部分来说，甚至后于优化与规范化，笔记里我先移到前面）
数据预处理与扩充包括三个主要内容：

1. 标准化输入图像，使其具有零均值与单位标准差。（仅针对非零体素）
2. 针对输入图像的每个通道进行随机强度偏移，并进行缩放。
3. 对输入图像的三轴数据都进行随机轴镜像翻转。

编码器

• 基本架构：
  一系列ResNet块的组合。
  其中，每个块包括两个带有组规范化（Group Normalization）与ReLU函数的卷积组成，并伴随着附加的身份跳过连接（identity skip connection）。
• 流程：
  以步长为2的传统CNN方法，
  1）逐步缩小图像维度；
  2）同时增加特征大小。
  CNN网络大小：3x3x3，32个初始过滤器。
• 输出：
  数据大小：256x20x24x16（在空间上比原始输入图像小8倍）

解码器

• 基本架构：
  与编码器类似，但是每个空间级别具有单个块。
• 流程：
  1）以步长为2，大小为1x1x1的CNN网络来减少特征数量；
  2）利用3D双线性上采样实现空间维度加倍；
  3）添加等效空间级别的编码器输出。
• 输出：
  数据大小与特征数量与原始输入图像相同。

随后，是1x1x1大小的卷积为3个通道和sigmoid函数。（followed by 1x1x1 convolution into 3 channels and a sigmoid function.）（没看明白，作者太爱用followed by了，分不清这里具体主体是啥…）

变分自动编码器 （VAE）

• 基本架构：
  与解码器类似，除了没有附加的身份跳过连接（identity skip connection）。
  
• 始于：
  编码器的结束节点。
• 流程：
  1）利用大小为1x1x1的卷积，将输入（即编码器结束节点的输出）减少到大小为256的低维空间（128代表均值，128代表标准差）；
  2）从具有给定均值和标准差的高斯分布中进行样本抽取；
  3）按照与解码器相同的架构将数据重建至大小与输入图像相同。

损失函数

其中，

• $L_{dice}$表示软块损失，求解公式如下：
  
  p p r e d p_{pred}