شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی
چکیده
تقسیم‌بندی تومور مغزی از اسکن‌های تصویربرداری رزونانس مغناطیسی، برای هر دوی تشخیص و درمان سرطان مغزی، حیاتی است. به طور گسترده‌ای پذیرفته شده است که تقسیم‌بندی دقیق بستگی به اطلاعات چند-سطحی دارد. با این حال، معماری‌های عمیق موجود برای تقسیم‌بندی تومور مغزی موفق به تشویق صریح مدل‌ها به یادگیری ویژگی‌های سلسله مراتبی با کیفیت بالا نمی‌شوند. در این مقاله، مجموعه‌ای از رویکردها را برای افزایش کیفیت ویژگی‌های سلسله مراتبی شناخته شده ارائه می‌دهیم. نقش ما ادغام چهار جنبه است. اولا، به منظور استفاده از اطلاعات چند-سطحی برای تقسیم‌بندی دقیق‌تر، مدل محبوب DeepMedic را به Multi-Level DeepMedic توسعه می‌دهیم. دوما، طرحواره آموزشی نیروی دوگانه جدیدی را برای ارتقاء کیفیت ویژگی‌های چند-سطحی آموخته شده از مدل‌های عمیق ارائه می‌دهیم. این طرحواره، طرح آموزشی کلی است و می‌توان آن را در بسیاری از معماری‌های موجود، از قبیل DeepMedic و U-Net اعمال کرد. سوما، یک تابع زیان مبتنی بر توزیع برچسب را به عنوان رده‌بندی کننده کمکی برای تشویق لایه‌های سطح بالای مدل‌های عمیق به یادگیری اطلاعات انتزاعی‌تر طراحی می‌کنیم. در نهایت، یک رویکرد جدید پس از پردازش مبتنی بر ادراک چند-لایه‌ای را برای اصلاح نتایج پیش‌بینی مدل‌های عمیق پیشنهاد می‌دهیم. آزمایش‌های گسترده‌ای روی دو مورد از جدیدترین مجموعه داده‌های تقسیم‌بندی تومور مغزی، یعنی، BRATS 2017 و BRATS 2015، انجام شده است. نتایج مربوط به این دو مجموعه داده نشان می‌دهند که رویکردهای ارائه شده به طور مداوم عملکرد تقسیم‌بندی دو مدل عمیق محبوب را ارتقا می‌بخشند.
5. نتیجه‌گیری
تقسیم‌بندی دقیق تومور مغزی بستگی به اطلاعات چند سطحی دارد. با این حال، مدل‌های عمیق موجود به طور صریح کیفیت ویژگی‌های سلسله مراتبی آموخته شده را تضمین نمی‌کنند. در این مقاله، یک استراتژی آموزشی نیروی دوگانه را برای تشویق صریح مدل‌های عمیق به یادگیری ویژگی‌های چند سطحی با کیفیت بالا ارائه می‌دهیم. این امر به وسیله یک تابع زیان مبتنی بر توزیع برچسب برای یادگیری اطلاعات معنایی انتزاعی و یک تابع زیان softmax برای تقسیم‌بندی با استفاده از ویژگی‌های چند سطحی تحقق می‌یابد. استراتژی آموزشی نیروی دوگانه را می‌توان در بسیاری از شبکه‌های محبوب از قبیل Deep-Medic و U-Net اعمال کرد. اِعمال استراتژی ارائه شده در مدل‌های عمیق تنها به طور جزئی پیچیدگی زمانی و فضایی را در حین آموزش افزایش می‌دهد. علاوه‌براین، همچنین یک روش پس از پردازش مبتنی بر MLP را ارائه می‌دهیم که می‌تواند به طور خودکار قوانین پردازش را از داده‌ها، به جای خلاصه‌سازی دستی، یاد بگیرد. آزمایش‌های گسترده روی دو مورد از جدیدترین پایگاه‌های داده تقسیم‌بندی تومور مغزی، کارایی و اثربخشی رویکردهای ارائه شده را تایید می‌کنند. یکی از کمبودهای روش پس از پردازش مبتنی بر MLP این است که فرایند آموزشی آن جدای از فرایند آموزشی DFN است؛ بنابراین، چارچوب کلی کاملا انتها-به-انتها نیست. در آینده، قابلیت تقسیم‌بندی معماری تقسیم‌بندی را بهبود خواهیم بخشید به طوری که بتوان از مرحله پیش پردازش جداگانه جهش کرد.
Abstract
Brain tumor segmentation from Magnetic Resonance Imaging scans is vital for both the diagnosis and treatment of brain cancers. It is widely accepted that accurate segmentation depends on multi-level information. However, exiting deep architectures for brain tumor segmentation fail to explicitly encourage the models to learn high-quality hierarchical features. In this paper, we propose a series of approaches to enhance the quality of the learnt hierarchical features. Our contributions incorporate four aspects. First, we extend the popular DeepMedic model to Multi-Level DeepMedic to make use of multi-level information for more accurate segmentation. Second, we propose a novel dual-force training scheme to promote the quality of multi-level features learnt from deep models. It is a general training scheme and can be applied to many exiting architectures, e.g., DeepMedic and U-Net. Third, we design a label distribution-based loss function as an auxiliary classifier to encourage the high-level layers of deep models to learn more abstract information. Finally, we propose a novel Multi-Layer Perceptron-based post-processing approach to refine the prediction results of deep models. Extensive experiments are conducted on two most recent brain tumor segmentation datasets, i.e., BRATS 2017 and BRATS 2015 datasets. Results on the two databases indicate that the proposed approaches consistently promote the segmentation performance of the two popular deep models.
5. Conclusion
Accurate brain tumor segmentation depends on multi-level information. However, existing deep models do not explicitly guarantee the quality of the learnt hierarchical features. In this paper, we propose a dual-force training strategy to explicitly encourage deep models to learn high-quality multi-level features. This is realized by a label distribution-based loss function to learn the abstract semantic information and a softmax loss function for segmentation using multi-level features. The dual-force training strategy can be applied to many popular networks, e.g., DeepMedic and U-Net. Applying the proposed strategy to deep models only slightly increases the time and space complexity while training. Besides, we also propose an MLP-based post-processing method that can automatically learn post-processing rules from data rather than manual summarization. Extensive experiments on two most recent brain tumor segmentation databases justify the efficiency and effectiveness of the proposed approaches. One shortage of the MLP-based post processing method is that its training process is separated from that of DFN; therefore, the entire framework is not completely end-to-end. In the future, we will further enhance the segmentation capability of the deep architecture, so that a separate post-processing stage can be skipped.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1. پیشگفتار
2. کارهای مربوطه
2.1. معماری‌های CNN
2.2. روش‌های پس از پردازش
3. شبکه‌های نیروی دوگانه
3.1. مرور مختصری از خطوط پایه
3.2. DeepMedic چند سطحی
3.3. شبکه‌های نیروی دوگانه
3.4. تابع زیان مبتنی بر توزیع برچسب
3.5. پس از پردازش
4. آزمایش‌ها
4.1. مجموعه داده‌ها
4.2. جزئیات پیاده‌سازی
4.3. معیارهای ارزیابی
4.4. مقایسه عملکرد بین DeepMedic و MLDeepMedic
4.5. اثربخشی روش پس از پردازش مبتنی بر DFN و MLP
4.6. مقایسه با پیشرفته‌ترین روش‌ها
4.7. تجزیه و تحلیل پیچیدگی
5. نتیجه‌گیری
Abstract
1. Introduction
2. Related works
2.1. CNN architectures
2.2. Post-processing methods
3. Dual-force networks
3.1. Brief review of the baselines
3.2. Multi-level deepmedic
3.3. Dual-force networks
3.4. Label distribution-based loss function
3.5. Post-processing
4. Experiments
4.1. Datasets
4.2. Implementation details
4.3. Evaluation criteria
4.4. Performance comparison between DeepMedic and MLDeepMedic
4.5. Effectiveness of DFN and MLP-based post-processing method
4.6. Comparison with state-of-the-art methods
4.7. Complexity analysis
5. Conclusion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه