Combining Images and T-Staging Information to Improve Segmentation of Nasopharyngeal Carcinoma

《Combining Images and T-Staging Information to Improve the Automatic Segmentation of Nasopharyngeal Carcinoma Tumors in MR Images》

读书报告

Wxy

 

论文基本信息:

Combining Images and T-Staging Information to Improve the Automatic Segmentation of Nasopharyngeal Carcinoma Tumors in MR Images

Concept

基于Unet,包含了T分期信息。

  • TNM系统是应用最广泛的癌症分期系统。大多数医院和医疗中心都使用TNM系统作为报告癌症的主要方法。除非您患有使用不同分期系统的癌症,否则您可能会在病理报告中看到此分期系统描述的癌症。具有不同分期系统的癌症的例子包括脑和脊髓肿瘤以及血液癌。
  • T1,T2,T3,T4:是指主要肿瘤的大小和/或程度。T之后的数字越高,肿瘤越大,或者它越多地生长到附近的组织中。T可以进一步划分以提供更多细节,例如T3a和T3b。

 

Problem/challenge/background

 

Contribution

  1. 设计了T-channel来利用T分期信息。(相当于给了不同的背景色)
  2. Unet上加了attention module。
  3. 251个病人(数据集大?)

 

How to solve the problem

  1. input:
  1. 将图片按照T分期顺序集合。

   Combining Images and T-Staging Information to Improve Segmentation of Nasopharyngeal Carcinoma

  1. Tchannel(级联到上面3个channel)

Combining Images and T-Staging Information to Improve Segmentation of Nasopharyngeal Carcinoma

  1. 最终input: Combining Images and T-Staging Information to Improve Segmentation of Nasopharyngeal Carcinoma

Combining Images and T-Staging Information to Improve Segmentation of Nasopharyngeal Carcinoma

  1. 网络结构:

Combining Images and T-Staging Information to Improve Segmentation of Nasopharyngeal Carcinoma

      通过中间的串联层(attention module)解决反卷积丢失信息的问题。

   Combining Images and T-Staging Information to Improve Segmentation of Nasopharyngeal CarcinomaCombining Images and T-Staging Information to Improve Segmentation of Nasopharyngeal Carcinoma

  1. Dice Loss(普遍,面积)+ASSD(距离)

   Combining Images and T-Staging Information to Improve Segmentation of Nasopharyngeal Carcinoma

Combining Images and T-Staging Information to Improve Segmentation of Nasopharyngeal Carcinoma

How to prove that problem has been solved如何设计实验

  1. Dataset介绍(人数,采集地点,仪器,GT,尺寸分辨率)
  2. 10折交叉验证
  3. 运行环境/600 epoch/Adam优化器参数_1= 0.9 and _2 = 0.999/学习速率1e-4,后200epoch, 1e-5
  4. Validation:10折结果/和其他网络比较DSC(分割常用指标)以及ASSD,三线表呈现,结果更优/图片展示(GT/本方法/不加Tchannel)

Other enlightenment

Discussion:

  1. 解释怎么好了,Tchannel贡献更大
  2. 不足:GPU导致batchsize=6,epoch=600(都可以更大)

 

上一篇:各种开源的图分割代码


下一篇:Axial-DeepLab: Stand-Alone Axial-Attention for Panoptic Segmentation