論文閱讀筆記|論文總結Automated Lesion Detection和PseudoEdgeNet兩篇

Automated Lesion Detection by Regressing Intensity-Based Distance with a Neural Network

Motivation

病竈分割標註通常需要標註人員大量的專業知識和熟練度，耗費大量時間和成本，而且會因標註人員的差異性產生較大偏差。

Manual annotation of lesions can be challenging, time consuming and subject to observer bias.

##Method

Distance Map

在一個灰度圖像$G(x)$中，具有點標註集合$\Phi$，那麼對於座標點$x$，它的Distance Map爲：

$DM(x) = min(\Lambda(\gamma), \gamma\in\Psi(x,\Phi))$

其中$\Psi(x,\Phi)$是標註點集到$x$所有路徑$\gamma$的集合，而$\Lambda(\gamma)$則代表路徑$\gamma$的長度：

$\Lambda(\gamma) = \sum^{n-1}_{i=1} d(x_i, x_{i+1})$

本文定義了三種路徑距離度量方式，即三種Distance Map的計算方式。

歐幾里得距離 Euclidean Distance

$d_E(x_i, x_{i+1}) =\begin{cases}1, & x_{i+1} \in N_4(x_i) \\ \sqrt{2}, & x_{i+1} \in N_8(x_i) - N_4(x_i)\end{cases}$

密度距離 Intensity Distance

$d_I(x_i, x_{x+1}) = G(x_i) - G(x_{i+1})$

測地距離 Geodesic Distance

$d_G(x_i,x_{i+1}) = \sqrt{d_I(x_i,x_{x+1})^2+d_E(x_i,x_{i+1})^2}$

三種路徑度量方式獲得Distance Map分別稱爲EDM，IDM和GDM。顯然，EDM是$x$到最近的標註點的距離，IDM是$x$到強度差最小的標註點的強度差。最後對Distance Map做歸一化。

$M_p(x) = (1 - \frac{DM(x)}{max(DM(x))})^p$

Network

使用U-net，MSE Loss function：

$MSE = \frac{1}{N} \sum_x (\widehat{M_p}(x)-M_p(x))^2$

Result

檢測結果如下：

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-ETRHA0ZI-1572008326252)(C:\Users\hasee007\AppData\Roaming\Typora\typora-user-images\1572003616526.png)]

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-XsMEM2ls-1572008326253)(C:\Users\hasee007\AppData\Roaming\Typora\typora-user-images\1572003654900.png)]

實際上可以看出效果不是很好，但是這種思路有可改進的地方。最簡單的思路是two-phase，heatmap一定閾值對應的像素做一個二分類器。

PseudoEgdeNet: Nuclei Segmentation only with Point Annotations

Motivation

細胞核分割標註只能交給病理學家，因而耗時且昂貴。

Method

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-ci7lCBfs-1572008326254)(C:\Users\hasee007\AppData\Roaming\Typora\typora-user-images\1572004590407.png)]

分割網絡 $f$

損失函數使用binary cross-entropy。FPN with ResNet-50。

邊緣網絡 $g$

在CNN中，較淺的層提取低微信息，例如邊緣與斑點。使用淺層的神經網絡提取邊緣，並將其與分割網絡的Sober濾波結果計算loss。Sober算子是計算機圖形中較爲常用的邊緣提取算子。4-layer CNN。

$\mathcal{L}(I,P,f,g) = \mathcal{L}_{ce}(f(I), P) + \gamma|s(f(I)-g(I))|$

注意力模型 $h$

注意力模型爲一個較深度的神經網絡以指導邊緣網絡尋找邊緣。FPN with ResNet-18。

$\mathcal{L}(I,P,f,g, h) = \mathcal{L}_{ce}(f(I), P) + \gamma|s(f(I)-g(I) \otimes h(I))|$

Result

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-9PxlR07b-1572008326254)(C:\Users\hasee007\AppData\Roaming\Typora\typora-user-images\1572005428338.png)]

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-HZieImdS-1572008326255)(C:\Users\hasee007\AppData\Roaming\Typora\typora-user-images\1572005444061.png)]

外鏈圖片轉存中…(img-9PxlR07b-1572008326254)]

[外鏈圖片轉存中…(img-HZieImdS-1572008326255)]

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-BScgkFV1-1572008326256)(C:\Users\hasee007\AppData\Roaming\Typora\typora-user-images\1572005456993.png)]