论文研读——Automatic Primary Gross Tumor Volume Segmentation for Nasopharyngeal Carcinoma using ResSE-UNet
摘要
提出了ResSE-UNet网络和一个用于描述GTV的三元交叉熵（TCE）损失函数。ResSE-UNet使用ResSE块来替换原始UNet中的卷积块，以提取更好的特征，并减少了下采样处理的次数，以保持图像的相对高分辨率。TCE损失函数结合了Dice损失函数和二进制交叉熵损失函数，以实现更大的梯度和更好的训练稳定性。实验结果表明，在网络和损失函数的所有组合中，具有TCE损失的ResSE-UNet实现了最佳的分割性能。
目标
鼻咽癌原发肿瘤体积分割
数据集
来自四川省肿瘤医院和研究所，鼻咽癌，由90例患者的1757个带注释的CT切片组成。每个Volume大约包含110个切片，只选择带注释的切片。图像大小为515x512xn，n是切片数量，resize成256x256xn大小的图像。对数据集进行shuffle，然后70%的用于训练，20%的用于验证，10%的用于测试。
方法
ResSE-UNet网络结构
- Resblock由具有跳跃连接的两个卷积层组成
- ResSE块替换原始UNet中的卷积块，ResSE块结合了残差连接和SE块的优点
ResSE块的详细信息
ResSE块由两个卷积层，一个SE块，和一个残差连接组成。卷积层的Conv操作使用stride=2来减少由下采样引起的细节差异。
在下采样路径中，每个ResSEblock的第一卷积层将特征图的分辨率通过stride=2降低，在上采样路径中，在每个ResSEblock之前设置一个上采样层和一个连接层
SE块的信息
SE中的Squeeze，通过一个全局平均滤波实现全局信息的获取，
SE中的Exitation，首先通过一个全连接层（C, C/r）将特征压缩至C/r通道，然后使用ReLU层进行非线性操作，接着使用全连接层Linear（C/r, C）将特征还原至C通道，最后使用一个sigmoid函数激活。这一步之后，得到大小为1x1xC的输出s，将s与上一层卷积特征进行逐空间位置相乘，得到SE block的输出。
SE block可以嵌入到之前所有经典的网络结构中，实现模型的改造。下面给出SE block嵌入到Inception Module和ResNet Module中的例子。
SE block+Inception Module
上图中，右侧分支部分就是SE模块，其中，Global pooling对应Sequeeze中的全局平均滤波，剩下的部分组成了SE中的Exitation。
SE block+ResNet Module
同样，上图结构的右侧分支是SE模块。
Dense Aspp
由于肿瘤的形状和大小各异，添加了Dense ASPP块，该模块以密集的方式连接了一组无规则的卷积层，以集成多尺度信息。
其中，Atrous是空洞卷积，扩张率分别为3、6、12。整体思想和DenseNet很相似，对输入图像分别进行扩张卷积，然后生成多尺度的特征图，最后经过1*1的卷积调整网络通道数，生成最终的特征图。
损失函数
T C E = − log ( D i c e ) − ∑ H ∗ W ∑ C ⊆ [ 0 , 1 ] y c log ( y ^ c ) TCE=-\log(Dice)-\sum_{H*W}\sum_{C\subseteq[0, 1]}y_c\log(\hat y_c) TCE=−log(Dice)−H∗W∑C⊆[0,1]∑yclog(y^c)
这里还需要再好好看看，还不是很明白
参数设置
学习率设置为0.0001，Adam优化器，batch-size设为8，网络训练200个epoch。在训练中，如果验证集中的DSC在5个时期内没有改善，学习率下降0.1倍，最小值为1e-6。ResSE块中的衰减比率设置为默认值（r=16）， r应该是一个压缩参数
评价指标及实验结果
DSC、Hausdorff距离
在不同网络、不同损失函数上的实验结果
本文方法与其他方法的比较
