论文笔记（四）《Adversarial Networks for the Detection of Aggressive Prostate Cancer》

0 Abstract

我们提出利用一个对抗性网络来区分专家和生成的注释，以训练对好的分割进行了学习参数化，因此我们假设该方法对于复杂结构的小型数据集上的分割任务具有独特的优势。在我们的实验中也是如此:我们学习利用 152 名患者的 MRI 图像来分割侵袭性前列腺癌，结果表明，在检测侵袭性前列腺癌的灵敏度和骰子得分方面，提出的方案优于行业标准。所取得的相对增益在小数据集中表现得尤为明显。

1 Introduction

我们提出一种基于 fcnmr 的前列腺区域联合分割方法，以及通过端到端的、完全自动的、纯对抗性训练来学习的靶向癌结节。

2 Methods

我们建议对 FCNs 使用纯对抗性训练。在语义分割的行业标准训练中， FCNs 被训练最小化一个多类交叉熵损失判定，对于 M 的每个像素 j 和一小批量 N 中的每个样本，惩罚偏离正确的目标标记向量 yi ， j :

3 Results

图2：描述三种MRI模式的例子，专家注释为以及用不同的损失方案训练分割器网络产生的分割。从左边的前两列，即a)列，描述的是对抗性明显对侵袭性肿瘤更敏感的例子比交叉熵训练的方法要好。b)栏显示的是两种方法相同的例子。c)列显示了逆向训练方法的特征实例。产生部分有缺陷的标签图。d)栏展示了以下例子：这两种方法都大大地偏离了实事求是，其中第一种方法很可能显示出这两种方法的肿瘤检测，被专家错过了。

4 Discussion

就我们所知，我们是第一个引入逆向训练的概念，用于医学图像的语义分割。对抗者D构成了一个学习范式，它捕捉到了一个似是而非的分割的本质--在传统的交叉熵训练中无法利用的信息。我们的实验表明，所提出的方法更有效率，并提高了检测灵敏度和侵袭性前列腺癌的骰子得分，这是一个具有挑战性的分割任务，由于前列腺的强组织异质性和微妙的肿瘤外观的前列腺的组织异质性。

图3：当连续取走训练数据时，逆向训练和交叉熵训练在肿瘤DSC(a)和灵敏度(b)方面的性能比较。上面的面板显示了这两种方案的各自分布。下边的面板显示了逆向训练与交叉熵训练的中位数的相对增益，在小数据集的限制下，特别明显的增益可见。所有实验中的特异性（未显示）约为0.98。