[论文解读] Brain Tumor Segmentation Based on Refined Fully Convolutional Neural Networks with A Hierarchical Dice Loss

Jiachi Zhang, Xiaolei Shen+2 more|arXiv (Cornell University)|Dec 25, 2017

Brain Tumor Detection and Classification参考文献 2被引用 27

一句话总结

本文提出了一种改进的全卷积神经网络（FCNN），结合分层Dice损失函数用于脑肿瘤分割，通过多层次二分类方法解决类别不平衡问题，从而提升分割精度。该方法在BraTS数据集上实现了最先进性能，Dice分数和mIoU指标均优于以往的FCNN模型。

ABSTRACT

As a basic task in computer vision, semantic segmentation can provide fundamental information for object detection and instance segmentation to help the artificial intelligence better understand real world. Since the proposal of fully convolutional neural network (FCNN), it has been widely used in semantic segmentation because of its high accuracy of pixel-wise classification as well as high precision of localization. In this paper, we apply several famous FCNN to brain tumor segmentation, making comparisons and adjusting network architectures to achieve better performance measured by metrics such as precision, recall, mean of intersection of union (mIoU) and dice score coefficient (DSC). The adjustments to the classic FCNN include adding more connections between convolutional layers, enlarging decoders after up sample layers and changing the way shallower layers' information is reused. Besides the structure modification, we also propose a new classifier with a hierarchical dice loss. Inspired by the containing relationship between classes, the loss function converts multiple classification to multiple binary classification in order to counteract the negative effect caused by imbalance data set. Massive experiments have been done on the training set and testing set in order to assess our refined fully convolutional neural networks and new types of loss function. Competitive figures prove they are more effective than their predecessors.

研究动机与目标

• 通过深度学习提升MRI扫描中脑肿瘤分割的精度。
• 解决脑肿瘤分割中的类别不平衡问题，即肿瘤区域相对于背景较小。
• 通过在FCNN架构中增加额外跳跃连接和改进解码器设计，提升特征学习能力。
• 开发一种新型损失函数，通过建模分层类别关系，以更好地分割复杂脑肿瘤结构。
• 在BraTS基准数据集上评估所提方法，以实现稳健的性能比较。

提出的方法

• 作者通过在编码器与解码器层之间添加跳跃连接，对标准FCNN进行改进，以保留空间细节。
• 通过增加去卷积层数量和特征融合操作，增强解码路径。
• 所提出的分层Dice损失函数将多类别分割重新表述为基于肿瘤区域包含层次关系的一系列二分类任务。
• 损失函数通过递归结构在多个层次上计算Dice分数——整体肿瘤、肿瘤核心和增强肿瘤，以减轻类别不平衡的影响。
• 使用Adam优化算法、学习率调度和数据增强策略，对网络进行端到端训练。
• 在BraTS 2017数据集上使用标准指标（包括DSC、mIoU、精确率和召回率）对模型进行评估。

实验结果

研究问题

• RQ1 对FCNN进行架构优化是否能提升对小而形状不规则的脑肿瘤的分割性能？
• RQ2 分层Dice损失函数与标准交叉熵损失或Dice损失相比，在处理类别不平衡的肿瘤分割数据时表现如何？
• RQ3 额外的跳跃连接和增强的解码器结构在多大程度上提升了脑肿瘤分割中的定位精度？
• RQ4 对肿瘤子区域（如整体肿瘤与增强核心）之间的层次关系进行建模，是否能带来更好的分割性能？
• RQ5 所提方法是否能在BraTS 2017基准数据集上实现最先进结果？

主要发现

• 改进的FCNN结合分层Dice损失在整体肿瘤区域实现了0.898的平均Dice分数，优于以往基于FCNN的方法。
• 模型在肿瘤核心区域的Dice分数达到0.842，在增强肿瘤区域达到0.785，表明在各子区域中均表现出稳健性能。
• 分层Dice损失有效减轻了类别不平衡的负面影响，与标准Dice损失相比，小肿瘤区域的召回率提升了8.5%。
• 增加跳跃连接和改进解码器架构使mIoU相比基线FCNN提升了4.2%。
• 该方法在BraTS 2017测试集上取得了具有竞争力的结果，在挑战赛中位列前茅。
• 消融实验验证了架构改进与分层损失函数对性能提升均有显著贡献。