理解 Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks
一、摘要
1.提出了基于U-Net的卷积网络。
2.在BRaTS2015上实验。
二、Introduction
1.基于U-Net提出了2D全卷积网络。
2.使用dice loss 损失函数。
3.使用了复杂的数据增强技术。
三、Method
1.数据
（1）BRaTS2015数据集包含220HGG和54LGG 案例。
（2）每个案例都有四种形态：T1、T1c、T2、FLAIR，T1、T2、FLAIR都配准到T1c上。
（3）将每个案例插值和重采样到1*1*3mm3 大小为240*240*155。
（4）应用了数据normalization。
2.数据增强
（1）采用了表1中的数据增强方法。
3.U-Net Based Deep Convolutional Networks
（1）提出的网络结构如下图
（2）其他参数在表2，
4.训练和优化
（1）.dice loss损失函数。
（2）使用Adam优化器来优化。
（3）Adam优化器的参数设置：
学习率：0.0001
最大epochs=100
所有权重用均值为0，方差为0.01的正态分布来初始化。
所有偏置值设置为0。
5.实验和性能评估
（1）使用五折交叉验证。
（2）HGG和LGG分别验证。
（3）评估三种肿瘤区域：complete tumor region、core tumor region、enhancing tumor region。
（4）计算DSC分数和Sensiticity。
（5）HGG、LGG、交叉验证都是都是分开训练的。
四、结果
1.
2.
3.针对LGG数据，使用T1c数据，enhancing tumor segmentation 分割失败。有可能是因为数据太少（54个案例）,或者是enhancing tumor segmentation和non-enhancing tumor segmentation边界不清晰，或者是在大多数LGG病例中BBB保持完整，肿瘤区域很少对比增强。
4.
