Cardiac MR Segmentation from Undersampled k-space Using Deep Latent Representation Learning
Jo Schlemper, Ozan Oktay, Wenjia Bai, Daniel C. Castro, Jinming Duan, Chen Qin, Jo V. Hajnal, and Daniel Rueckert
2018
阅读日期：2020.02.29
泛读。这篇文章研究的是 undersample 情况下的 MRI 分割问题。作者认为当我们需要的 clinical parameters 是比原始图像压缩性更强的时候，需要的测量值应该更少。不过这篇文章完全没有涉及到重建的问题，即便如此，还是有一些启发意义，主要在于 AE 的 coding 和空间划分之间的关系，以及 latent space 的研究对于空间划分应该是很重要的。作者提出的分割方法有两种，一种是直接用 U-net 输出分割结果，损失函数是 cross entropy，这个网络称为 Syn-net，网络结构就是 U-net。另一种方法则复杂一下，称为 LI-net。首先，作者用 AE 训练分割 label，这样可以得到分割结果的一个 coding 表示。然后训练一个 predict network（此时 AE 的参数固定），输入是 image，生成对应分割结果的 AE 中的 coding，最后用 AE 的解码器对 coding 解码，由此得到 image 的分割结果。LI-net 方法的损失函数比较复杂，既要让图像（不论是 full-sample 还是 undersample）的预测coding和 AE 的一致，也要让 full-sample 和 undersample 的coding结果一致，当然还有最后的分割结果的一致。实验表明，当测量值较多时，Syn-net 表现比 LI-net 好，当测量值较少时 LI-net 比 Syn-net 好。
Syn-net 损失函数是：
LI-net 的 stage 2 损失函数：
AE 的损失函数就很简答，可以是欧式距离，也可以是 cross entropy。
结构示意图
@inproceedings{schlemper2018cardiac,
title={Cardiac MR segmentation from undersampled k-space using deep latent representation learning},
author={Schlemper, Jo and Oktay, Ozan and Bai, Wenjia and Castro, Daniel C and Duan, Jinming and Qin, Chen and Hajnal, Jo V and Rueckert, Daniel},
booktitle={International Conference on Medical Image Computing and Computer-Assisted Intervention},
pages={259--267},
year={2018},
organization={Springer}
}none
none