SegAN：Adversarial Network with Multi-scale L1 Loss for Medical Image Segmentation

发表于 更新于 分类于 ， 阅读次数： 本文字数： 662 阅读时长 ≈ 1 分钟

借鉴 GAN 训练的思路，采用 min-max 的对抗学习模式来训练 segment 网络和 loss 网络

什么是 Segan？

  • Segan-20230408143602
  • 借鉴 GAN 训练的思路，采用 min-max 的对抗学习模式来训练 segment 网络和 loss 网络
  • S 和 C 的训练就像玩 Min-Max 游戏一样： S 旨在最大程度地减少多尺度功能损失，但 C 试图最大化它。随着培训的进行，S 和 C 网络都变得越来越强大。最终，S将能够制作预测的标签图，这些图非常接近地面真理

Segan 的网络结构？

  • Segan-20230408143602
  • segmentor：普通的 unet 结构, encoder 部分为4层 stride=2的卷积，decoder 部分为4层 upsample，输出为网络预测的肿瘤二值图像
  • critic：网络共用 segmentor 部分 encoder 的前三层，分别向 critic 部分输入经预测的肿瘤二值图掩膜的原始输入图像，以及经真值肿瘤二值图掩膜的原始输入图像，最后的 loss 计算两个不同输出之间的 MAE 值（L1 loss）。其中 Multi-scale 体现在对 critic 部分每一个卷积层输出的特征图像都计算 MAE 值，最后的总 loss 取平均

Segan 的损失函数？

  • Segan 的损失是 C 部分在多尺度特征下的损失

Segan 是如何训练的？

  • 训练方式类似于GAN的min-max对抗学习过程。首先，固定S（segmentor），对C（critic）进行一轮训练；再固定C，对S进行一轮训练，如此反复。S 旨在最大程度地减少多尺度功能损失，但 C 试图最大化它。随着培训的进行，S 和 C 网络都变得越来越强大。最终，S将能够制作预测的标签图，这些图非常接近地面真理