RAAGR2-Net：一种使用多个空间帧的并行处理的脑肿瘤分割网络

Computers in Biology and Medicine【2023】

背景

脑瘤是最致命的癌症之一。磁共振成像（MRI）是一种非侵入性方法，它提供包含有关肿瘤的重要信息的多模式图像。许多当代技术采用四种模式：T1加权（T1）、T1对比度加权（T1c）、T2加权（T2）和流体衰减反转恢复（FLAIR），每种模式都为每个肿瘤的定位提供了独特而重要的特征。尽管几种现代程序在多模式脑肿瘤图像分割基准（BraTS）数据集上提供了不错的分割结果，但当在MRI图像的所有区域上同时评估时，它们缺乏性能。此外，由于参数限制和计算复杂性，仍有改进的空间。因此，在这项工作中，提出了一种新的基于编码器-解码器的架构来有效分割脑肿瘤区域。数据预处理是通过应用N4偏置场校正、z-score和0到1重采样来执行的，以便于模型训练。为了最大限度地减少不同模块中位置信息的丢失，提出了一种残差空间金字塔池（RASPP）模块。RASPP是一组使用扩张卷积的平行层。此外，注意力门（AG）模块用于有效地强调和恢复提取的特征图中的分割输出。所提出的模块试图通过组合来自不同特征图的知识并保留其局部信息来获取丰富的特征表示。在BraTS基准上评估了所提出的基于RASPP、AG和称为RAAGR2-Net的递归残差（R2）块的深度网络的性能。

贡献

由于具有不规则边界的病变区域的密集和连续分布，脑肿瘤的自动分割在鲁棒性方面仍然是一项艰巨的任务。只有少数几个网络可以同时对病变区域进行分割和分类。此外，这种网络通常需要大量的内存和计算开销，因为分割技术的复杂性很高[15，16]。此外，这些网络面临训练和优化挑战，这通常是由高调整成本和宽的超参数调整设计范围引起的[17]。为了解决上述缺点，在这项工作中，我们构建了一个易于扩展的网络，可以提供多个空间帧的并行处理。与当前最先进的模型相比，这使得网络能够在更短的时间内获得最优最小值。这项工作的主要贡献如下：

1. 提出了一种预处理算法，使模型能够从数据集中学习肿瘤区域的洞察力和重要特征。
2. 介绍了一种基于编码器和解码器配置的分割模型，该模型利用所提出的CNN架构的优化模块考虑到不同脑瘤区域之间的高度差异，设计了这样的模块，以最大限度地减少所提出的RAAGR2-Net中深度特征提取过程中的信息损失。
3. 本工作探索并提出了用于脑肿瘤分割的深度卷积。
4. 在图像重建过程中，跟踪肿瘤区域的精确位置至关重要，因此所使用的模块有助于防止这些信息的丢失。

实验

BraTs 数据集的肿瘤类别
数据集：BraTs 17 18 19，在BraTS（2017、2018和2019）数据集中，不同类别肿瘤之间的区域占有率差异非常高。因此，数据不平衡导致了问题，并且通过增加另外两类，即一类背景区域和另一类非肿瘤区域，进一步缓解了不平衡问题。

N4 bias-field-correction 数据预处理

MRI图像可能包含由于患者运动或MR扫描仪硬件本身引起的伪影。通常，图像的亮度是局部调整的，即使用低频信息使图像更亮或更暗[48]。这被称为MRI的强度不均匀性问题，通过人体解剖信号捕获的数据会导致病变特征模糊的问题，这可能会导致神经网络分割架构的学习过程出现问题[49]。由于强度不均匀性问题，应用N4偏置场校正来均匀地表示MRI。在这项工作中，通过非参数和非均匀归一化（N3）方法解决了强度不均匀性问题，该方法通过使用高斯公式应用强度直方图的B样条来配置场，并校正图像形状。然而，N3方法应用宽的B样条距离，导致更高的频率调制。为了解决这个问题，可以看出，与N3正则化相比，该系统的性能有所提高，方法是减少样条的距离，以多分辨率对其进行并行化，并使用N4在强度不平衡方面应用卷积重叠正则化。因此，应用于训练的数据集通过N4偏置场校正进行了归一化。

Z-score and re-sampling Z-score归一化，重采样

预处理对实验精度影响很大

方法

Residual Atrous Spatial Pyramid Pooling (RASPP) module（残差空间金字塔模块）

可以防止数据丢失。与ASPP不同，RASPP模块包括附加的残差分支，该残差分支将原始特征连接到来自不同膨胀比的提取特征。此外，ASPP模块中有两个1×1卷积层，而RASPP模块中只有一个1×1卷积层，这最大限度地减少了计算量和数据损失。

Attention gate (AG) module（注意力门控模块）

简单的卷积激活，相乘，用xf和gi对xf进行加权

Recursive residual (R2) block（递归残差块）

现有的神经网络大多是前馈神经网络，隐藏层的系数被应用于输出层的方向。然而，递归神经网络不仅具有通过激活函数将系数传递到输出层的特性，而且还具有将系数传递给隐藏层的下一次操作的输入的特性，因此在应用卷积之前，它在校正现有图像方面具有优异的性能。

所提出的深度模型基于编码器-解码器架构，其中编码器提取特征图，解码器通过强调的特征恢复原始大小的图像。当前技术的缺点是，在编码过程中提取特征图的过程导致数据位置信息的丢失，这导致性能降低。现有技术的另一个缺点是，随着模型变得更大，在训练模型的过程中，参数增加，批量大小减小，导致性能下降。为了解决上述问题，提出了最大限度地减少位置信息丢失的RASPP模块。在解码阶段，通过在现有图像的各层中强调特征点，应用注意力技术来最小化位置信息值的损失。此外，在卷积层中使用了深度可分离的Conv2D，而不是使用通用的Conv2D，通过在很大程度上减少参数数量来提高学习速度，从而最大限度地减小批量大小。利用数据扩充和预处理技术对所提出的体系结构进行了评估。实验结果表明，所提出的RAAGR2Net架构具有良好的性能，可以通过将3D数据切片为2D图像来分割大脑MRI图像。这有助于减少参数数量、批量大小和计算费用。未来，我们打算将该架构的范围扩展到MRI的3D分割。

损失函数

Thinking

空洞卷积，可分离卷积，特征金字塔，注意力机制，千篇一律。。。