SegAN: Adversariales Netzwerk mit multi-skaliertem $L_1$-Verlust für die Segmentierung medizinischer Bilder

Inspired by classical Generative Adversarial Networks (GANs), wir schlagen ein neues, von Anfang bis Ende konzipiertes adversariales neuronales Netzwerk vor, das als SegAN bezeichnet wird und für die Aufgabe der medizinischen Bildsegmentierung entwickelt wurde. Da Bildsegmentierung dichte, pixelgenaue Beschriftungen erfordert, kann die skalare Real-/Fake-Ausgabe eines klassischen GAN-Diskriminators möglicherweise nicht ausreichend stabil und informative Gradientenfeedback an die Netze liefern. Stattdessen verwenden wir ein vollständig konvolutionsbasiertes neuronales Netzwerk als Segmentierer zur Erstellung von Segmentationslabels und schlagen ein neuartiges adversariales Kritiker-Netzwerk mit einer multi-skalierten $L_1$-Fehlerverteilungsfunktion vor, um sicherzustellen, dass sowohl Kritiker als auch Segmentierer globale und lokale Merkmale lernen, die lang- und kurzreichweitige räumliche Beziehungen zwischen den Pixeln erfassen. In unserem SegAN-Framework werden Segmentierer- und Kritiker-Netzwerke in einem Min-Max-Spiel abwechselnd trainiert: Der Kritiker erhält als Eingabe ein Paar von Bildern (ursprüngliches_Bild * vorhergesagte_Labelkarte, ursprüngliches_Bild * grundlegende_Wahrheitslabelkarte) und wird durch die Maximierung einer multi-skalierten Fehlerverteilungsfunktion trainiert; der Segmentierer wird nur mit den vom Kritiker weitergegebenen Gradienten trainiert, wobei das Ziel ist, die multi-skalierte Fehlerverteilungsfunktion zu minimieren. Wir zeigen, dass dieses SegAN-Framework für die Segmentierungsaufgabe effektiver und stabiler ist und eine bessere Leistung als die aktuell besten U-Net-Segmentierungsmethoden erzielt. Unsere SegAN-Methode haben wir anhand von Datensätzen des MICCAI BRATS-Hirntumorsegmentierungschallenges getestet. Umfangreiche experimentelle Ergebnisse belegen die Effektivität des vorgeschlagenen SegAN mit multi-skaliertem Verlust: Bei BRATS 2013 erreicht SegAN eine vergleichbare Leistung wie der aktuelle Stand der Technik bei der Segmentierung des gesamten Tumors sowie des Tumorcores, während es gleichzeitig höhere Präzision und Sensitivität bei der Gd-verstärkten Tumorcore-Segmentierung aufweist; bei BRATS 2015 übertrifft SegAN den aktuellen Stand der Technik sowohl in Bezug auf den Dicke-Würfel-Koeffizienten (Dice score) als auch auf die Präzision.请注意，"ground_truth_label_map" 翻译为 "grundlegende_Wahrheitslabelkarte"，这是为了保持术语的一致性和专业性。在实际应用中，这个术语可能更常被翻译为 "Referenzlabelkarte" 或 "Wahrheitslabelkarte"。如果需要进一步调整，请告知。