3D Densely Convolutional Networks for Volumetric Segmentation
Toan Duc Bui, Jitae Shin, and Taesup Moon?
School of Electronic and Electrical Engineering, Sungkyunkwan University, Republic of Korea
任务:
六个月婴儿脑部分割(四分类)white matter (WM), gray mater (GM), cerebrospinal fluid (CSF) and background (BG) regions.
数据:
public 6-month infant brain MRI segmentation challenge (iSeg) dataset
http://iseg2017.web.unc.edu/
10 training samples and 13 testing samples.
Each sample includes a T1 image, a T2 image.
方法:
以DenseNet为基础网络结构,采用3D卷积,并使用1*1*1在3*3*3之前减少模型参数;
以stride=2的卷积代替pooling减少空间位置信息的损失;
dropout防止过拟合(每个3*3*3的Conv后),rate=0.2;
T1 T2分别白化操作作为输入,尺寸裁剪为64*64*64输入(受GPU限制);
Adam,mini-batch=4,lr=0.0002,每50000次迭代lr乘0.1;
结果中overlap的部分投票决定。
评价指标:
Dice Coefficient (DC),
Modified Hausdorff Distance (MHD)
Average Surface Distance (ASD).
私人总结(此总结不具有普适性,给自己看的……不喜勿喷):
没有特别重大的创新,但至少有值得借鉴的地方。
先说一点疑问:3D分割一直以来都有一个问题,可训练数据少,而文中所用方法的数据也非常少,虽然做了overlap的裁剪(未指明原T1尺寸和overlap的大小),但是对数据扩充部分没有提及,不知道是裁剪之后训练数据足够多还是做了其他的扩充手段。
个人习惯用2D的手段训练,可以借鉴的地方:
1、卷积代替pooling
2、DenseNet作为基础骨干网络
3、Dropout(平时做分割基本没用过dropout,可尝试)
原文地址:https://www.cnblogs.com/xiangfeidemengzhu/p/8821447.html