理解论文 Lung Cancer Tumor Region Segmentation Using Recurrent 3D-DenseUNet
一、摘要
1.提出了一种数据驱动方法用于肺肿瘤分割通过使用Recurrent 3D-DenseUNet。
2.使用大小为 256*256*8 的image-volumes with tumors 来训练网络。
3.还使用了数据驱动的自适应加权方法来区分肿瘤和非肿瘤图像切片。
4.模型在2018 IEEE VIP Cup提供的数据集上进行测试和训练。
5.提出的方法达到了0.74的平均dice分数。
二、模型
1.将原始dicom文件转换为体素，然后normalize数据，产生512*512大小的pixel images。并且提取出对应的mask文件。
2.将pixel images和mask 文件resize到256*256的大小。只有包含tumors的图像才参与训练。
在 a group of eight 中，连续的肿瘤图像以一个步幅连接。结果就是形成了我们的网络训练的输入大小：256*256*8 。
3.接下来，我们使用数据驱动的方法自适应地选择一个强度阈值，以区分肿瘤切片和非肿瘤切片。 这里，从网络的三维预测输出的强度直方图中，我们选择了一个阈值用于肿瘤检测。 我们还对由实验结果计算出的全局阈值进行了测试。
4.在测试过程中，一个病人的所有CT扫描切片都是同时进行的。 首先，我们生成重叠的切片(256×256×8)。 我们使用我们的循环3D-denseUnet网络来生成一个volume of binary mask。 然后使用自适应阈值选择器消除误检测，并为每个切片生成一个二进binary mask。 我们还使用(7×7)圆形核对mask切片进行了膨胀，以改进IOU（intersection over union）值。
5.最终计算需要的度量标准。