前言
這是MICCAI2018發表的論文，並且在BraTS2018腦腫瘤分割比賽中取得第一名。
Abstract
- based on encoder-decoder architecture
- a variational auto-encoder branch is added to reconstruct the input image
1 Introduction
- BraTS 2018 training dataset:285 cases(210 HGG and 75LGG)
HGG
HGG :高級別膠質瘤（WHO3～4級）為低分化膠質瘤；這類腫瘤為惡性腫瘤，患者預后較差。LGG :低級別膠質瘤（WHO1～2級）為分化良好的膠質瘤；雖然這類腫瘤在生物上並不屬於良性腫瘤，但是患者的預后相對較好。 - 每一個cases都有四種 3D MRI 模態(T1,T1c,T2,and FLAIR)
在醫學界把像 T1、T1c、T2、flair這樣的稱為序列,一個病例的可以有多個序列,每個序列由許多切片組成, 此外,獲得每種序列的方式不同,例如T1、T2是由於測量電磁波的物理量不同而產生的兩種不同的序列,再例如T1c序列要在做MRI之前往血液打造影劑.FLAIR序列是核磁共振(MR)的一種常用的序列，全稱是液體衰減反轉回復序列，也稱為水抑制成像技術. 通俗地說,它是壓水像。在該序列上，腦脊液呈現低信號(暗一些)，實質性病灶和含有結合水的病灶顯示為明顯的高信號(亮一些) - The input image size is 240x240x155.
- The data were collected from 19 institutions, using various MRI scanners.
- 標注包括三個區域:whole tumor (WT), tumor core (TC) and enhancing tumor(ET)
- 還有兩個額外數據集:驗證(66 cases) 和 測試(191 cases),但是沒有標注
- 驗證數據集可以一直測試提交代碼,測試數據集只測試一次提交代碼作為最終成績
- 網絡結構: 遵循CNN的編碼解碼結構,可以直接輸出三個區域而不是使用幾個網絡，
在訓練過程中，增加一個額外的分支去正則化共享編碼器
2 Related work
- BraTS2017first EMMA 結合了DeepMedic、FCN、U-net
- BraTS2018Second Isensee U-net進行小的優化可以實現很不錯的效果,可以使用自己機構的額外數據集進行訓練