论文:Error Corrective Boosting for Learning Fully Convolutional Networks with Limited Data

论文:Error Corrective Boosting for Learning Fully Convolutional Networks with Limited Data

259 次阅读

出版:MICCAI -2017  MICCAI 是医学影像分析研究领域的顶尖年会

1、contributions:

(1)提出了一个SD-Net的网络架构,十分适合分割brain图像

(2)提出了ECB的自动纠错的分割训练机制,原理为在训练过程中迭代更新类别分割权重,通过为分割错误率高的类分配更高的权重来实现;

(3)提出利用辅助生成的Label进行预训练训练,再利用人工标注的数据fine-tune模型,解决训练label的限制;

注意:文章指出 这项工作是第一个FCNN模型用于整个大脑的分割.

2、提出的方法与过去方法的不同:

1)首先利用已有的分割工具将unlabeled data进行分割得到Auxiliary Labels预训练分割网络SD-Net

2)利用人工标注的label,对辅助label训练的网络进行微调训练,优化网络

3、重点1:SD-Net网络架构:

架构细节:

1)U-Net的skip connection:

1)获取上下文信息;2)提供一个梯度回传机制

2)unpooling from DeconvNet:

为分割小的结构提供了优势    using the saved indices with maximum activation during max pool-ing of the corresponding encoder block. The remaining locations are filled with zeros.

3)7×7的convolution:

可以在最小的encoder上保证感受野,捕获完整的mask

4、训练的Loss Function:

challenge : the class imbalance and the segmentation errors along anatomical boundaries(类别不均衡和解剖学边界分割不准确的问题)

(i)weighted multi-class logistic loss :权重解决class-imbalance

 ( ii ) Dice loss. 

5、ECB机制:在训练过程中,随着训练epoch的进行,ECB迭代地优化Loss的权重,将准确率低的类增大权重关于权重的设置:

(1)第一个部分:通过中位数频率,均衡数据集分割类别,fl小的值反而大(2)第二个部分:在边界区域增强权重

其中:

q=0.05
fl表示第l类在训练数据集中的像素出现频率

the indicator function I,

the training segmentation S:训练的分割Label

the 2D gradient operator ∇:梯度

6、auxiliary label:

The auxiliary labels are created with FreeSurfer [6].The auxiliary labels are created with FreeSurfer [6].

7、Results

Mulanshine