论文：Neurocomputing 2020
使用深度卷积对称神经网络进行脑肿瘤分割
数据集：BraTS 2015
1. Introduction
胶质瘤是最常见的原发性脑肿瘤，是胶质细胞并会浸润周围组织。神经胶质瘤是最常见的原发性脑肿瘤，可能是神经胶质瘤细胞浸润周围组织[1]。这些肿瘤可根据其起源或侵袭程度进行分类。目前最广泛使用的分级方案是由世界卫生组织(世卫组织)[2]提出的。它将脑瘤划分为I-IV级并具有越来越强的侵袭性。III级或IV级肿瘤为高级别胶质瘤(HGG)， I级和II级肿瘤为低级别胶质瘤(LGG)。前者在临床人群中更具侵略性，中位寿命为2年或更短于后者。诊断脑瘤的标准技术是MRI[3]。MRI是一种无创技术，可提供良好的软组织造影剂[4]，广泛应用于临床。不同的MRI序列，包括T1加权MRI(T1)、T1加权MRI加钆增强造影(T1c)、T2加权MRI(T2)和T2加权MRI加液体衰减反转恢复(FLAIR)，对评估胶质瘤和临床治疗的成功有特别的帮助。脑肿瘤分割是将一个脑肿瘤分割成多个部分。脑肿瘤一般分为坏死、水肿、非增强性肿瘤和增强性肿瘤四部分。肿瘤增强反映血脑屏障损伤的存在。坏死反映了组织侵蚀的程度。水肿反映了受累的范围，并指导手术中要探查的区域。这有助于鉴别肿瘤的类型和恶性程度。因此，准确地从四个MRI序列中分割脑肿瘤是临床诊断和治疗计划的重要内容。然而，磁共振成像(MRI)产生的大量粗糙数据阻碍了在合理的时间内进行精确的人工分割。因此，需要采用半自动或自动分割方法。
事实上，半自动或自动分割胶质瘤仍然是一项具有挑战性的任务。关于这个问题，有很多原因。一个问题是，这些脑瘤的形状、结构和位置是高度可变的。此外，肿瘤肿块效应改变了周围正常组织[7]的排列。其他问题，如强度不均匀[8]，或同一序列之间强度范围不同，采集扫描仪[9]，也会影响分割的准确性。此外，同样的肿瘤细胞在不同的医院[10]拍摄时，其灰度值可能会有很大的差异。因此，准确、自动地分割脑肿瘤仍然是一个挑战。
近年来，人们提出了许多半自动和自动的方法来精确分割脑肿瘤，其中大部分是基于机器学习的。目前关于脑肿瘤分割的研究工作大致可以分为无监督学习方法和监督学习方法。聚类作为一种无监督学习方法，由于具有一定的相似性标准，是脑肿瘤分割中最常用的一种方法。我们提出了一个以Gabor滤波器提取的特征作为相似度标准的全自动框架[11]。考虑到特征缩减，Kaya采用主成分分析(PCA)[12]对t1加权MRI图像聚类进行脑肿瘤分割。Hsieh[13]提出了一种结合模糊聚类和区域增长的精确分割方法，并将其应用于t1加权和t2加权的MR图像。Szil[14]采用模糊c均值级联算法，采用多模态MR图像进行分割。聚类虽然简洁有效，但结果的准确性不理想[15]。
监督学习方法使用专家标记的训练数据来学习模型，该模型可以是判别模型或生成模型。Menze[16]引入了一个用于多维图像分割的图形模型。利用上下文信息进行MRF平滑分割。其他方法将体素视为独立的同分布体素，引入条件随机场(CRF)来利用邻域信息[17-20]。基于随机森林(Random Forests, RF)的方法[21-24]在脑肿瘤分割中具有处理多类问题和大特征向量的天然能力。然而，在大多数这些方法中用于分割图像的特征，如一阶纹理、梯度和大脑对称，都是手工制作的。
深度学习特别是深度卷积神经网络(DCNN)已经取得了很大的进展。DCNN可以实现复杂函数映射和特征自动学习。这有助于处理复杂的图像。因此，它不仅在自然图像处理中得到了广泛的应用[25-28]，在生物图像处理[29]中也得到了广泛的应用。同样，它也被广泛应用于脑肿瘤的分割[30-35]。实际上，大部分基于dcnn的脑肿瘤分割方法都是源于基于dcnn的自然图像处理方法。然而，与生物医学图像相比，自然图像的差异很大，并且在图像处理方面缺乏先验知识。因此，主要的研究方向是提高DCNN获取的特征质量。基于dcnn的脑肿瘤分割方法也是如此。例如，DCNN采用多尺度[36]或交叉模态卷积[37]从MRI图像中提取更丰富的特征。然而，脑肿瘤的分割有很强的先验知识。普遍且强的先验知识是，图像中的大部分肿瘤区域是左右不对称的。几乎所有的脑肿瘤分割方法都忽略了这一先验知识。
在此基础上，结合肿瘤分割的对称性，提出了一种新的深度卷积对称神经网络(DCSNN)。在我们的方法中，我们首先将输入图像和它们的左右翻转图像传递到网络中，然后分别提取特征。然后利用这些特征通过相似性度量计算输入图像的非对称位置信息。我们的方法的主要思想可能看起来像完全卷积连体网络[38]。然而，我们的方法与Siamese Network的主要区别在于:我们的方法在构造的特征空间中计算相似度，并将相似度作为额外的位置信息;Siamese Network通过学习构建特征空间来更好地进行相似度判断。在第3节和第4节中，我们详细讨论了我们的工作与以前的工作的关系，并表明DCSNN优于其他最近的基于dcnn的方法。
