作者：?
Zeynettin Akkus & Alfiia Galimzianova & Assaf Hoogi & Daniel L. Rubin & Bradley J. Erickson?
時(shí)間：2017

Abstract?
這篇綜述的目的是提供關(guān)于最近基于深度學(xué)習(xí)的分割方法對(duì)腦部MRI（磁共振成像）定量分析的概述。首先我們看一下最新用來(lái)分割腦部解剖結(jié)構(gòu)和腦部損傷的深度學(xué)習(xí)框架。接下來(lái)總結(jié)和討論了深度學(xué)習(xí)方法的表現(xiàn)，速度，和特性。最后給出了當(dāng)前狀況的關(guān)鍵性評(píng)價(jià)，并且確定了可能的未來(lái)發(fā)展和趨勢(shì)。

Background?
腦功能成像一般選擇MRI，有幾個(gè)原因：MRI生成的醫(yī)學(xué)圖像對(duì)軟組織有高對(duì)比度和空間分別率，沒有已知的健康損傷。盡管CT（計(jì)算機(jī)斷層掃描）和PET（正電子成像）也可以用來(lái)研究大腦，MRI仍然是最流行的，本片論文針對(duì)MRI。腦部MRI定量分析已經(jīng)被廣泛應(yīng)用到很多腦部疾病特征分析。為了定量組織萎縮，分割，相應(yīng)的大腦組織測(cè)量都是必須的。相應(yīng)的，腦部結(jié)構(gòu)變化的定量，要求對(duì)在不同時(shí)間點(diǎn)獲取的MRI分割。除此之外，非正常組織和周圍正常結(jié)構(gòu)的檢測(cè)和精確定位對(duì)于診斷，手術(shù)規(guī)劃，術(shù)后分析，化療/放療計(jì)劃是至關(guān)重要的。正常和病變組織的定量定性特征，包括時(shí)間和空間，經(jīng)常是臨床試驗(yàn)的一部分，通過(guò)一組病人和正常組來(lái)研究治療效果。?
神經(jīng)性疾病和狀況一般都需要腦部磁共振圖像的定量分析。2D和3D的分割和打標(biāo)簽都是定量分析的重要組成。手動(dòng)分割是活體圖像的金標(biāo)準(zhǔn)。然而，這要求一張一張畫出組織結(jié)構(gòu)，不僅昂貴和冗長(zhǎng)乏味，而且由于人工錯(cuò)誤而不精確。因此有必要使用一種自動(dòng)分割方法，并且擁有專家級(jí)別的精度和高度一致性。?
3D，4D圖像越來(lái)越普及，且生理功能成像越來(lái)越多，醫(yī)學(xué)圖像在數(shù)量和復(fù)雜度方面都在增加。機(jī)器學(xué)習(xí)是一系列算法技術(shù)，能夠使計(jì)算機(jī)系統(tǒng)從大數(shù)據(jù)進(jìn)行數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)。這些技術(shù)有許多可以被應(yīng)用到醫(yī)學(xué)領(lǐng)域。?
迄今為止，已經(jīng)在MRI腦部圖像正常（白質(zhì)和灰質(zhì)）和非正常（腦腫瘤）分割的經(jīng)典機(jī)器學(xué)習(xí)算法上投入了很多研究。然而使得能夠分割的圖像特征的產(chǎn)生要求熟練的工程和專業(yè)知識(shí)。更重要的是，傳統(tǒng)的機(jī)器學(xué)習(xí)算法并不好用。盡管醫(yī)學(xué)圖像搜索社區(qū)付出了顯著的努力，大腦組織的自動(dòng)分割和異常區(qū)的檢測(cè)任然沒有解決，由于腦部形態(tài)正常解剖變異，獲取設(shè)置和核磁共振成像掃描儀的變化，圖像采集的缺陷，病理學(xué)表現(xiàn)的異常。?
深度學(xué)習(xí)在醫(yī)學(xué)圖像分析的很多領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用，比如，電腦輔助檢測(cè)乳腺病變，電腦輔助診斷乳腺病變和肺結(jié)節(jié)，組織病理學(xué)診斷。這篇論文概述了在腦部磁共振圖像分割的最好深度學(xué)習(xí)技術(shù)，并且討論了通過(guò)使用深度學(xué)習(xí)技術(shù)任然能夠提高的距離。

Deep Learning?
已經(jīng)有很多深度學(xué)習(xí)方法被開發(fā)使用到不同目的，比如，圖像的目標(biāo)檢測(cè)和分割，語(yǔ)音識(shí)別，基因型/表型檢測(cè)，疾病分類。一些已知深度學(xué)習(xí)算法有堆疊式自動(dòng)編碼器，深層玻爾茲曼機(jī)，深度神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)是被用到圖像分割和分類的最多的一種。

Review?
我們將論文分為兩類：關(guān)于正常組織和腦損傷。這兩組里不同的深度學(xué)習(xí)架構(gòu)被介紹來(lái)處理領(lǐng)域內(nèi)特定的問(wèn)題。基于它們的架構(gòu)風(fēng)格，我們又進(jìn)行了更細(xì)的分類：patch-wise, semantic-wise, or cascaded architectures。在接下來(lái)的部分，我們將展示：評(píng)價(jià)和驗(yàn)證方法，最近的深度學(xué)習(xí)方法中的預(yù)處理方法，最近深度學(xué)習(xí)架構(gòu)風(fēng)格，深度學(xué)習(xí)算法在腦組織和病變區(qū)量化的表現(xiàn)。

Training, Validation and Evaluation?
當(dāng)數(shù)據(jù)有限，就使用交叉驗(yàn)證方法。由于使用監(jiān)督方法，需要標(biāo)簽。數(shù)據(jù)一般通過(guò)專家對(duì)腦部組織和病變區(qū)域分割認(rèn)為標(biāo)定。雖然這對(duì)于學(xué)習(xí)和評(píng)估是一個(gè)金標(biāo)準(zhǔn)，但非常繁瑣和辛苦，還包含了主觀性。Mazzara等人（Brain tumor target volume determination for radiation treatment planning through automated MRI segmentation）報(bào)告，對(duì)于手動(dòng)分割腦腫瘤圖像，國(guó)內(nèi)專家有20 ± 15%的變化，國(guó)際專家有28 ± 12%的變化。為了減小這種變化，通過(guò)使用標(biāo)簽融合算法（STAPLE，Simultaneous truth and performance level estimation (STAPLE): An algorithm for the validation of image segmentation，A logarithmic opinion pool based STAPLE algorithm for the fusion of segmentations with associated reliability weights），多個(gè)專家的分割圖像被以最佳的方式被結(jié)合。對(duì)于腦部損傷的分類任務(wù)，標(biāo)定過(guò)的真實(shí)數(shù)據(jù)通過(guò)活檢和病理檢查來(lái)得到。?
為了評(píng)定一個(gè)新的開發(fā)的深度學(xué)習(xí)方法的效果，有必要將它與現(xiàn)在最好的方法作比較。這里提到很多數(shù)據(jù)集，https://www.nitrc.org/projects/msseg，brain MRI are Brain Tumor Segmentation (BRATS), Ischemic Stroke Lesion Segmentation(ISLES), Mild Traumatic Brain Injury Outcome Prediction(mTOP), Multiple Sclerosis Segmentation (MSSEG), Neonatal Brain Segmentation (NeoBrainS12), and MR Brain Image Segmentation (MRBrainS)。

Brats 這個(gè)腦腫瘤圖像分割挑戰(zhàn)聯(lián)合MICCAI會(huì)議，自從2012年開始每年舉辦，為了評(píng)估現(xiàn)在最好的腦部腫瘤分割方法，并且比較不同方法。為此，很多的數(shù)據(jù)集被公開，有5類label：腦部健康組織，壞死區(qū)，水腫區(qū)，腫瘤的加強(qiáng)和非加強(qiáng)區(qū)。并且訓(xùn)練集每年都在增長(zhǎng)。最近的Brats 2015–2016比賽中訓(xùn)練集包含220個(gè)高等級(jí)子集和54個(gè)低等級(jí)子集，測(cè)試集包含53個(gè)混合子集。所有的數(shù)據(jù)集被校準(zhǔn)為同樣的解剖模板，并且被插值為1 mm 3的分辨率。每個(gè)數(shù)據(jù)集包含增強(qiáng)前T1和增強(qiáng)后T1，T2，T2磁共振成像液體衰減反轉(zhuǎn)恢復(fù)序列MRI體素。聯(lián)合配準(zhǔn)，頭骨分離，標(biāo)注的訓(xùn)練集，算法的評(píng)價(jià)結(jié)果可以通過(guò)Virtual Skeleton Database (https://www.virtualskeleton.ch/)來(lái)獲取.

Isles 這個(gè)挑戰(zhàn)被組織來(lái)評(píng)估，在精確MRI掃描圖像中，中風(fēng)病變及臨床結(jié)果預(yù)測(cè)。提供了包含大量的精確中風(fēng)樣例和相關(guān)臨床參數(shù)的MRI掃描。聯(lián)合的被標(biāo)記的真實(shí)數(shù)據(jù)是最終損傷的區(qū)域（任務(wù)一），用了3到9個(gè)月的跟蹤掃描來(lái)人工標(biāo)記，和表示殘疾度的臨床mRM得分（任務(wù)二）。在ISLES2016比賽中，35個(gè)訓(xùn)練集和40個(gè)測(cè)試集通過(guò)SMIR平臺(tái)公開。(https://www.smir.ch/ISLES/Start2016). 亞急性缺血性卒中病變分割的獲勝者的算法結(jié)果為0. 59±0.31（骰子相似性系數(shù)，DSC）和37.88±30.06（豪斯多夫距離，HD）。

mTOP 這個(gè)挑戰(zhàn)要求算法找到健康組織和外傷性腦損傷（TBI）病人的差異，并且使用非監(jiān)督方法將給定的數(shù)據(jù)分為明顯不同的類。開源MRI數(shù)據(jù)在https://tbichallenge.wordpress.com/data下載。

MSSEG 這個(gè)挑戰(zhàn)的目的是從MS數(shù)據(jù)的參賽者中評(píng)定最好的最新的分割方法，為此他們?cè)u(píng)估了在一個(gè)在多中心臨床數(shù)據(jù)庫(kù)（4個(gè)數(shù)據(jù)中心的38個(gè)病人，為1.5T或者3T的圖像，每個(gè)病人被7個(gè)專家手動(dòng)標(biāo)記）上的損傷區(qū)域檢測(cè)（多少個(gè)病變區(qū)被檢測(cè)出）和分割（被勾出的損傷區(qū)精確度如何）。除了這個(gè)經(jīng)典的評(píng)估外，他們提供了一個(gè)共同的基礎(chǔ)設(shè)施來(lái)評(píng)價(jià)算法，比如運(yùn)行時(shí)間和自動(dòng)化度的比較。數(shù)據(jù)可以從https://portal.fli-iam.irisa.fr/msseg-challenge/data下載。

NeoBrainS12 這個(gè)比賽的的目的是，通過(guò)使用腦部T1和T2的MRI圖像，來(lái)比較新生腦組織分割算法和對(duì)應(yīng)大小的測(cè)量。在以下結(jié)構(gòu)比較：皮質(zhì)和中央灰質(zhì)，無(wú)髓有髓白質(zhì)，腦干和小腦，腦室和腦外間隙腦脊液。訓(xùn)練數(shù)據(jù)包括兩個(gè)30周到40周大小的嬰兒的T1和T2MR圖像。測(cè)試集包括5個(gè)嬰兒的T1和T2 MRI圖像。數(shù)據(jù)和算法的評(píng)估結(jié)果已經(jīng)被提交，可以從http://neobrains12.isi.uu.nl/下載。

MRBrainS 這個(gè)評(píng)估架構(gòu)的目的是比較腦部多序列（T1加權(quán)，T1加權(quán)反轉(zhuǎn)恢復(fù)，磁共振成像液體衰減反轉(zhuǎn)恢復(fù)序列，FLAIR）3T MRI圖像，灰質(zhì)，白質(zhì)，腦脊髓液的分割算法。訓(xùn)練集包括5個(gè)手動(dòng)分割的腦部MRI圖像，測(cè)試集包括15份MRI圖像。數(shù)據(jù)可以從http://mrbrains13.isi.uu.nl下載。在這個(gè)數(shù)據(jù)集上的獲勝者的算法的結(jié)果（骰子相似系數(shù)，DSC）：灰質(zhì)86.15%，白質(zhì)89.46%，腦脊髓液84.25%。

表1是最常見的用來(lái)評(píng)估腦部MRI分割方法的定量方法。通常正常組織和腫瘤的分割方法包括每個(gè)像素度量（比如：骰子相似系數(shù)，真陽(yáng)率，陽(yáng)性預(yù)測(cè)值），病灶表面度量（比如：豪斯多夫距離，平均對(duì)稱面距離）。?

另一方面，多灶性腦病變方法經(jīng)常包括病灶度量（病灶真陽(yáng)率，病灶陽(yáng)性預(yù)測(cè)率）。精確度和特異性等方法在病灶分割內(nèi)容面趨于避免使用，因?yàn)楫?dāng)病目標(biāo)（灶）比背景（正常大腦組織）小很多時(shí)，這些方法不能區(qū)分不同的分割輸出。除此之外，通常還包括臨床相關(guān)性測(cè)量方法。這些方法包括總共的損傷區(qū)的相關(guān)性分析，自動(dòng)或手動(dòng)分割和體積或體積改變相關(guān)計(jì)數(shù)。顯著性檢驗(yàn)通常伴隨著建立或比較其它方法，大多數(shù)是非常數(shù)檢驗(yàn)，比如威爾科克森符號(hào)秩檢驗(yàn)。

Image Preprocessing?
MR圖像自動(dòng)分割是一個(gè)富于挑戰(zhàn)的問(wèn)題，由于強(qiáng)度不均勻性，強(qiáng)度范圍和對(duì)比的變化，噪聲。因此，在自動(dòng)分割之前，要求特定的步驟來(lái)使得圖像看起來(lái)更相似，這些步驟一般被稱為預(yù)處理。典型的功能腦成像預(yù)處理步驟包括以下幾個(gè)步驟：?
Registration 配準(zhǔn)是將圖像到常見解剖空間的空間對(duì)齊。病人自己的圖像配準(zhǔn)輔助將MR圖像標(biāo)準(zhǔn)化到立體空間，通常是MNI （加拿大蒙特利爾神經(jīng)研究所）or ICBM。（MNI和ICBM是一系列3D大腦模型）病人間的配準(zhǔn)目的是對(duì)齊不同序列的圖像，比如T1和T2之間，為了獲得大腦每個(gè)區(qū)域的多通道表達(dá)。?
Skull Stripping 頭骨剝離是是將頭骨從圖像中去除，目的是將注意力集中在頭顱中間的組織。用于這個(gè)目的的最常用的方法為BET，Robex，SPM。?
Bias Field Correction 偏場(chǎng)校正圖像對(duì)比度變化的糾正，由于磁場(chǎng)多向性。最常見的方法是N4偏場(chǎng)校正。?
Intensity Normalization 灰度歸一化是將所有圖像的灰度映射到一個(gè)標(biāo)準(zhǔn)或基準(zhǔn)標(biāo)度，比如，0到4095。由Nyul等人提出的算法是將圖像灰度按像素線性映射到基準(zhǔn)，是最常用的一種正則化技術(shù)。在深度學(xué)習(xí)框架的背景下，z-scores（將圖像中的每個(gè)像素減去所有像素的平均值，然后除以標(biāo)準(zhǔn)差）是另一種常見的正則化技術(shù)。?
Noise Reduction 降噪是減小MR圖像里邊局部變量賴斯噪聲。?
隨著深度學(xué)習(xí)的到來(lái)，一些預(yù)處理步驟對(duì)于最后的分割結(jié)果的重要性越來(lái)越小。比如偏置矯正，基于分位數(shù)的灰度歸一化一般被z-score單獨(dú)代替。然而另一項(xiàng)工作表明：在應(yīng)用深度學(xué)習(xí)之前進(jìn)行歸一化會(huì)對(duì)結(jié)果有提高。同時(shí)，新的預(yù)處理方法也被提出來(lái)，包括基于校準(zhǔn)，頭骨去除，噪聲去除的深度學(xué)習(xí)。

Current CNN Architecture Styles?
Patch-Wise CNN Architecture（按塊訓(xùn)練的CNN架構(gòu)） 有一個(gè)簡(jiǎn)單的方法訓(xùn)練CNN算法來(lái)分割。一個(gè)N*N大小的圖片塊從給定圖像提取出來(lái)，模型用這些圖片塊訓(xùn)練，然后將label給正確的標(biāo)識(shí)類，比如正常大腦，腫瘤。所設(shè)計(jì)的網(wǎng)絡(luò)包含多層卷積，激活函數(shù)，池化，全連接層。大多數(shù)想在流行的框架都使用這種方法。為了提高按塊訓(xùn)練框架的表現(xiàn)，多尺度CNN使用多種途徑，每種途徑使用不同大小的patch。這些途徑的輸出被一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，模型被訓(xùn)練來(lái)給出正確的label。?
Semantic-Wise CNN Architecture（按語(yǔ)義訓(xùn)練的CNN架構(gòu)） 這種架構(gòu)對(duì)輸入的整張圖像的每個(gè)像素進(jìn)行預(yù)測(cè)，比如語(yǔ)義分割。和自編碼器類似，它們包括編碼部分（提取特征）和解碼部分（降采樣或去卷積從編碼器得到的高維特征）和組合從編碼部分得到的高維特征來(lái)分類像素。通過(guò)減少損失函數(shù)將輸入圖片映射到分割label。?
Cascaded CNN Architecture（級(jí)聯(lián)CNN架構(gòu)） 這種架構(gòu)結(jié)合兩歌CNN架構(gòu)。第一個(gè)CNN的輸出是第二個(gè)CNN的輸入來(lái)獲得分類結(jié)果。第一個(gè)CNN用來(lái)訓(xùn)練得到初始預(yù)測(cè)分類標(biāo)簽，第二個(gè)CNN用來(lái)更深的調(diào)整第一個(gè)CNN的結(jié)果。

Segmentation of Normal Brain Structure?
在很多研究中，MRI腦結(jié)構(gòu)的精確自動(dòng)分割，比如：白質(zhì)（WM），灰質(zhì)（GM），腦脊髓液（CSF），對(duì)于研究嬰兒早期腦發(fā)展，腦組織和顱內(nèi)容積的定量評(píng)估是很重要的。Atlas-based方法（匹配一個(gè)atlas和目標(biāo)的灰度信息），模式識(shí)別方法（依據(jù)一系列局部灰度信息分類組織）是腦組織分割的傳統(tǒng)方法。近些年，CNN已經(jīng)被用于腦組織分割，這避免了空間和灰度特征的明確定義，比傳統(tǒng)方法表現(xiàn)更好，我們接下來(lái)會(huì)討論。如下圖：?

Zhang等人提出了一個(gè)從嬰兒的多模態(tài)（T1,T2, 各向異性分?jǐn)?shù)（彌散張量成像））MR圖像的2D patch-wise CNN方法來(lái)分割白質(zhì)，灰質(zhì)，和腦脊液。他們表明他們的CNN方法比先前的方法，基于SVM，隨機(jī)森林的傳統(tǒng)的機(jī)器學(xué)習(xí)好。Nie等人提出了semantic-wise全卷積網(wǎng)絡(luò)，分割和zhang等人一樣的數(shù)據(jù)集的嬰兒大腦圖像。Nie等人的結(jié)果更好。De Brebisson等人提出一個(gè)2D和3D的patch-wise CNN方法，將人腦按照解剖區(qū)域分割。作為第一此CNN方法應(yīng)用到這個(gè)挑戰(zhàn)，他們?cè)贛ICCAI 2012 multi-atlas labeling挑戰(zhàn)獲得非常有競(jìng)爭(zhēng)力的結(jié)果。Moeskops等人提出了一個(gè)multi-scale patch-wise CN方法，來(lái)分割嬰兒和年輕成年人大腦圖片。Bao等人也提出了一個(gè)multi-scale（塊大小不一） patch-wise CNN方法，使用隨機(jī)動(dòng)力抖動(dòng)伴隨感興趣區(qū)域下降，來(lái)獲得在IBSR數(shù)據(jù)集和LPBA40數(shù)據(jù)集上，皮層下結(jié)構(gòu)的光滑分割。基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法已經(jīng)在NeoBrainS12 and MRBrainS挑戰(zhàn)獲得了最好成績(jī)。在測(cè)試階段，他們的計(jì)算時(shí)間也比傳統(tǒng)的機(jī)器學(xué)習(xí)方法要快。?

Segmentation of Brain Lesions?
腦損傷的定量分析包括建立成像生物標(biāo)志物的測(cè)量，比如最大直徑，體積，計(jì)數(shù)，連續(xù)，來(lái)量化相關(guān)性疾病治療結(jié)果，比如腦癌，多發(fā)性硬化，中風(fēng)。這些生物標(biāo)志的可靠提取依賴于先前的精確分割。盡管在腦損傷分割的很多努力和高級(jí)的圖像處理計(jì)數(shù)，腦部損傷的精確分割仍然是個(gè)挑戰(zhàn)。許多自動(dòng)方法已經(jīng)被提出來(lái)用于損傷分割問(wèn)題，包括非監(jiān)督模型方法（目的是自適應(yīng)圖像數(shù)據(jù)），監(jiān)督機(jī)器學(xué)習(xí)方法（給定一個(gè)具有代表性數(shù)據(jù)集，學(xué)習(xí)損傷區(qū)的紋理和外觀特性），atlas-based方法（通過(guò)配準(zhǔn)有標(biāo)簽數(shù)據(jù)或者cohort data到常見的解剖空間，將監(jiān)督和非監(jiān)督方法結(jié)合為統(tǒng)一管道）。一些綜述提供腦部腫瘤分割，MS損傷分割的傳統(tǒng)方法。?
Havae等人提出了一個(gè)2D的patch-wise架構(gòu)（33 × 33 pixels），使用局部和全局的CNN路徑，可以探索腦腫瘤像素局部和全局的語(yǔ)境特征。局部路徑包括2個(gè)卷積層，核大小為7 × 7和5 × 5，相應(yīng)的，全局路徑包括一個(gè)卷積層，核大小為11 × 11。為了處理腫瘤和正常腦組織的不平衡問(wèn)題（正常腦組織占了整個(gè)圖像的90%），他們提出了兩階段訓(xùn)練，第一，處理等類別概率的數(shù)據(jù)，然后處理不平衡數(shù)據(jù)輸出層（保持其它層權(quán)重不變）。他們還探索了多級(jí)聯(lián)架構(gòu)。他們說(shuō)他們的CNN方法比BRATS 2013比賽的獲勝者好，而且測(cè)試時(shí)間更快。?
在另一項(xiàng)研究中，Havaei等人寫了用深度學(xué)習(xí)方法分割腦腫瘤的綜述，也描述了級(jí)聯(lián)架構(gòu)。Pereira等人提出一個(gè)2D patch-wise架構(gòu)，但與Havaei等人不同，他們使用小一點(diǎn)的3 × 3卷積核，允許使用更深的架構(gòu)，patch intensity正則化，通過(guò)旋轉(zhuǎn)patches來(lái)進(jìn)行數(shù)據(jù)增強(qiáng)。他們?cè)O(shè)計(jì)了兩個(gè)分離的模型分別對(duì)高級(jí)腫瘤和低級(jí)腫瘤分割。分割高級(jí)腫瘤的模型包括6個(gè)卷積層和3個(gè)全鏈接層；分割低級(jí)腫瘤的模型包含4個(gè)卷積層和3個(gè)全鏈接層。他們使用leaky ReLU作為激活函數(shù)，允許gradient flow，而rectified linear units則讓所有負(fù)數(shù)為0. 在Brats 2013中他們的方法表現(xiàn)最好。在2015 data，他們第二。Zhao and Jia使用patch-wise CNN架構(gòu)，使用三平面（橫斷面，矢狀面，冠狀面）2D切片來(lái)分割腦腫瘤。在Brats2013，他們得到了有競(jìng)爭(zhēng)力的結(jié)果。Kamnitsas等人提出了一個(gè)3D的dense-inference patch-wise and multi-scale的CNN架構(gòu)，使用3D（3 × 3 × 3 pixels）卷積核和兩條通路和上面提到的Pereira等人的相似。他們還使用了一個(gè)3D的全鏈接條件隨機(jī)場(chǎng)來(lái)有效的去掉假陽(yáng)性，這是一個(gè)在先前的研究中重要的后續(xù)處理步驟。在Brats 2015，他們獲得最佳表現(xiàn)。Dvorak等人提出了一個(gè)2D的patch-wise卷積方法，將輸入的patches映射到n組有結(jié)構(gòu)的局部預(yù)測(cè)，考慮相鄰像素的label。在過(guò)去的兩次MICCAI會(huì)議，大多數(shù)這些研究被發(fā)表出來(lái)，作為BRATS挑戰(zhàn)的一部分。?
基于CNN的深度學(xué)習(xí)架構(gòu)已經(jīng)被用來(lái)中風(fēng)和多發(fā)性硬化（MS）損傷分割，腦微出血檢測(cè)，治療效果的預(yù)測(cè)。Brosch等人提出了一個(gè)3D的semantic-wise CNN來(lái)從MRI中分割MS損傷。他們?cè)趦蓚€(gè)公開的不同數(shù)據(jù)集上評(píng)估他們的方法，MICCAI 2008 and ISBI 2015挑戰(zhàn)。Dou等人提出了一個(gè)級(jí)聯(lián)架構(gòu)，包括3D semantic-wise CNN and a 3D patch-wise CNN來(lái)從MRI中檢測(cè)腦微出血（CM）。Maier等人發(fā)表了一個(gè)比較研究，評(píng)估和比較了9個(gè)用來(lái)分割缺血性中風(fēng)損傷的分割方法，（比如天真貝葉斯，隨機(jī)森林，CNN）。表明級(jí)聯(lián)CNN和隨機(jī)決策樹方法優(yōu)于其它所有方法。Akkus等人展示了使用2D patch-wise and multi-scale CNN 1p19q染色體共同缺失預(yù)測(cè)，這和治療的好的結(jié)果有關(guān)（在低級(jí)別腦膠質(zhì)瘤MRI中）。?

Discussion?
文獻(xiàn)報(bào)道最新的方法表明，深度學(xué)習(xí)技術(shù)在定量腦部MR圖像分析中有巨大的潛能。雖然深度學(xué)習(xí)方法只是最近被用于腦部MRI，但看起來(lái)比先前最好的機(jī)器學(xué)習(xí)方法，變得越來(lái)越成熟。由于復(fù)雜的腦解剖和它表現(xiàn)的多樣性，由于成像協(xié)議的不同而導(dǎo)致的非標(biāo)準(zhǔn)的MR灰度，圖像采集的缺陷，病理的從在，對(duì)于計(jì)算機(jī)輔助技術(shù)，腦圖象分析一直是一個(gè)巨大的挑戰(zhàn)。那么就需要像深度學(xué)習(xí)這樣處理這些變異的更加泛化的技術(shù)。?
盡管是一個(gè)有意義的突破，但深度學(xué)習(xí)的潛能仍然被限制，因?yàn)獒t(yī)學(xué)圖像數(shù)據(jù)集相對(duì)小，這就限制了這種方法的能力，不能顯示它的全部能力，這種能力已經(jīng)在大的數(shù)據(jù)集上顯示。盡管有作者報(bào)道他們的監(jiān)督學(xué)習(xí)架構(gòu)要求僅僅一個(gè)訓(xùn)練樣本，但大多數(shù)作者報(bào)告他們的結(jié)果隨著數(shù)據(jù)集的增加而穩(wěn)定提高。對(duì)于深度學(xué)習(xí)方法的有效應(yīng)用急需大規(guī)模的數(shù)據(jù)集。或者數(shù)據(jù)集的數(shù)量可以通過(guò)對(duì)原始數(shù)據(jù)的隨機(jī)變換，比如抖動(dòng)，旋轉(zhuǎn)，變換，變形等來(lái)有效增加。機(jī)器學(xué)習(xí)算法中經(jīng)常使用這種辦法，被稱為數(shù)據(jù)增強(qiáng)。數(shù)據(jù)增強(qiáng)幫助增加訓(xùn)練樣本的個(gè)數(shù)，并且通過(guò)引入原始數(shù)據(jù)的隨機(jī)變換來(lái)減小過(guò)擬合。多個(gè)研究報(bào)告數(shù)據(jù)增強(qiáng)在他們的研究中非常有用。?
為了提高深度學(xué)習(xí)方法，一些步驟是非常重要的，包括，數(shù)據(jù)預(yù)處理，數(shù)據(jù)后處理，網(wǎng)絡(luò)權(quán)重初始化，阻止過(guò)擬合。數(shù)據(jù)預(yù)處理扮演了一個(gè)關(guān)鍵角色，多重?cái)?shù)據(jù)預(yù)處理已經(jīng)被應(yīng)用到最近的研究中。比如，使得輸入腦部MR圖像灰度在同一個(gè)參考比例，并且對(duì)對(duì)每種形態(tài)進(jìn)行正則化。這避免了在輸出模型中由于任何modality和灰度的不同而使得結(jié)構(gòu)的真正pattern被抑制。模型輸出的后處理對(duì)于精調(diào)分割結(jié)果非常重要。任何學(xué)習(xí)方法的目的是得到一個(gè)完美的預(yù)測(cè)，但是圖像上總有一些區(qū)域會(huì)有不同類重疊，被稱為部分體積效應(yīng)，這不可避免的導(dǎo)致了假陽(yáng)性或假陰性。這些區(qū)域要求額外的預(yù)處理來(lái)精確量化。另一個(gè)非常重要的步驟是神經(jīng)網(wǎng)絡(luò)合適的網(wǎng)絡(luò)參數(shù)初始化，來(lái)保證整個(gè)網(wǎng)絡(luò)的梯度流動(dòng)，并且能夠收斂。不然激活和梯度流動(dòng)會(huì)消失，且導(dǎo)致不收斂和不學(xué)習(xí)。隨機(jī)權(quán)重初始化已經(jīng)被用到了大多數(shù)最近的研究中。最近，阻止過(guò)擬合對(duì)于學(xué)習(xí)圖片中正確的信息非常關(guān)鍵，避免提供的特定的訓(xùn)練集過(guò)擬合。神經(jīng)網(wǎng)絡(luò)特別容易過(guò)擬合，因?yàn)閰?shù)太多，但訓(xùn)練數(shù)據(jù)有限。一些策略被用來(lái)阻止過(guò)擬合，比如，引入數(shù)據(jù)隨機(jī)變化性來(lái)進(jìn)行數(shù)據(jù)增強(qiáng)，使用dropout在訓(xùn)練中隨機(jī)去掉網(wǎng)絡(luò)節(jié)點(diǎn)，L1/L2正則化引入權(quán)重懲罰。?
Semantic-wise架構(gòu)接受任何大小的輸入，生成分類映射而patch-wise CNN架構(gòu)接受固定大小的輸入，并且產(chǎn)生非空間輸出。因此，semantic-wise架構(gòu)對(duì)圖像的每個(gè)像素產(chǎn)生預(yù)測(cè)結(jié)果比patch-wise架構(gòu)更快。另一方面，相對(duì)于semantic-wise架構(gòu)的全圖訓(xùn)練，在一個(gè)數(shù)據(jù)集上對(duì)patches進(jìn)行隨機(jī)采樣，潛在的促進(jìn)更快的收斂。Semantic-wise架構(gòu)易受類別不平衡影響，但這可以通過(guò)在損失函數(shù)中加權(quán)來(lái)解決。Cascaded架構(gòu)，比如patch-wise架構(gòu)加一個(gè)semantic架構(gòu)，可以解決單獨(dú)架構(gòu)的問(wèn)題，并且提高輸出結(jié)果。?
開發(fā)一種通用的深度學(xué)習(xí)方法，能夠適用于從不同機(jī)器不同機(jī)構(gòu)產(chǎn)生的數(shù)據(jù)任然是一個(gè)挑戰(zhàn)，原因是，有限的訓(xùn)練數(shù)據(jù)和有l(wèi)abel的數(shù)據(jù)，圖像采集協(xié)議的不同，每個(gè)MRI采集器的不完美，健康和病理腦組織的表現(xiàn)不同。到目前為止，現(xiàn)在可用的方法都是隨機(jī)初始化，并且在有限數(shù)據(jù)集上訓(xùn)練。為了提高深度學(xué)習(xí)架構(gòu)的一般化，我們可以采用一個(gè)表現(xiàn)好的深度學(xué)習(xí)網(wǎng)絡(luò)，在一個(gè)大的數(shù)據(jù)集上訓(xùn)練，然后再一個(gè)小數(shù)據(jù)集上針對(duì)一個(gè)特定問(wèn)題進(jìn)行微調(diào)，這種方法被稱為遷移學(xué)習(xí)。已經(jīng)表明，將預(yù)訓(xùn)練的好的具有一般性網(wǎng)絡(luò)的權(quán)重轉(zhuǎn)移到新網(wǎng)絡(luò)，然后在特定數(shù)據(jù)集上訓(xùn)練的效果比隨機(jī)初始化網(wǎng)絡(luò)權(quán)重要好。遷移學(xué)習(xí)的效果和能否成功依賴于數(shù)據(jù)集之間的相似性。比如，使用拿ImageNet訓(xùn)練的與訓(xùn)練模型，如果沒有更深的訓(xùn)練，在醫(yī)學(xué)圖像上可能表現(xiàn)不好。Shin等人報(bào)告，他們已經(jīng)使用拿ImageNet預(yù)訓(xùn)練的模型，使用遷移學(xué)習(xí)并通過(guò)在淋巴結(jié)和肺間質(zhì)疾病微調(diào)，而不是從頭開始訓(xùn)練，獲得了最好的結(jié)果。另一方面，ImageNet數(shù)據(jù)集實(shí)質(zhì)上與醫(yī)學(xué)圖像數(shù)據(jù)集非常不同，因此使用從ImageNet訓(xùn)練的遷移學(xué)習(xí)，對(duì)于醫(yī)學(xué)圖像來(lái)說(shuō)也許不是最好的選擇。

Summary?
盡管深度學(xué)習(xí)技術(shù)對(duì)腦部MRI的定量分析有巨大沖擊，任然很難有一個(gè)一般性的方法，對(duì)于從不同機(jī)構(gòu)和MRI設(shè)備上得到的腦部MR圖像的不同種類具有魯棒性。深度學(xué)方法的表現(xiàn)高度依賴于一些關(guān)鍵的步驟，比如：預(yù)處理，初始化，后處理。當(dāng)然，要得到一般化的模型，訓(xùn)練數(shù)據(jù)集相對(duì)于ImageNet來(lái)說(shuō)還很小。更重要的是，現(xiàn)在的深度學(xué)習(xí)架構(gòu)依賴于監(jiān)督學(xué)習(xí)，并且要求手動(dòng)標(biāo)記數(shù)據(jù)，這對(duì)于大規(guī)模數(shù)據(jù)集來(lái)說(shuō)是一項(xiàng)繁瑣的任務(wù)。因此，需要對(duì)腦部MRI不同類型具有魯棒性，或者具有要求少量有標(biāo)記數(shù)據(jù)的非監(jiān)督學(xué)習(xí)能力的深度學(xué)習(xí)模型。除此之外，逼真的模擬腦部MRI數(shù)據(jù)不同類型的數(shù)據(jù)增強(qiáng)方法可以減輕對(duì)數(shù)據(jù)量的需求。遷移學(xué)習(xí)可以被用來(lái)分享表現(xiàn)好的深度學(xué)習(xí)模型，這個(gè)模型通過(guò)腦部圖像檢索社區(qū)，使用正常的和病理的腦部MRI數(shù)據(jù)訓(xùn)練，也可以用最少的努力，通過(guò)數(shù)據(jù)集來(lái)提高這些方法的泛化能力而不是從頭開始訓(xùn)練。

總結(jié)

以上是生活随笔為你收集整理的Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。