333.JPG

喂，大家晚上好，我是***
我今天分享的文章是CVPR2021上的一篇
它最终做的也是 3维CT 扫描 的分类

1 Motivations

111.JPG

他的研究动机，
一是，，胰腺癌 是 癌症相关疾病 导致死亡 的 第三大原因。
二是，之前的实验都是针对 特定类型的 胰腺癌，
他做的比较全面
10中胰腺癌肿块都考虑到了

这个图也就是，，
模型最后预测的结果
是个10分类，重点是
PDAC肿块 和 非PDAC 肿块的分类
可以看到 PDAC肿块的概率
还是很高的

前面说的，病人管理
指的就是，
如果是属于这6类的话，
就建议病人做手术
如果是中间3类的话，
就要看 定量分析的结果
来决定是，手术还是监管
如果是最后一类的话，
建议 出院

2 methods-Overview

1111.JPG

因为这篇文章认为
分类的结果准确率
和 肿块 的三维结构 有关系

所以，
他的模型
总共分成了3部分，，

第一部分是 一个胰腺的分割模型
他能够从原始的CT图像中
分割出胰腺
第二部分是，把
用 156个 顶点，拟合 分割的结果

第三部分，就是
一个 Graph-ResNet 用于做 分类

2 method-Segmentation

3333.JPG

第一部分的分割模型的是 用 nnUet
做的也是3维的卷积
损失函数是 交叉熵+Dice损失

2 Method - Mask-to-Mesh

12.JPG

第二部分是，
运用了一些先验知识
总共有156个顶点

然后，
顶点组成三维结构
几何形状 逐渐变形
经过60个epoch后
就能比较好的拟合出胰腺的三维结构

Lpt 是 点损失
直观地测量每个点到
分割表面上最近的点的距离。
Le1 和 Le2 是两个正则项
为了预防一些极端的现象

2 Method - Classification

13.JPG

最后一步，就是
基于图ResNet进行的分类
首先通过 6 个 图卷积层
把 156个局部的特征向量，抽象成
4个全局 特征向量

这里的G(h0) 表示的是
图神经网路，在每个顶点上的softmax输出
顶点分类的损失 是 交叉熵损失函数

hvp是
这四个全局特征向量 和
156个局部特征向量
被连接成一个向量hvp

H(hvp)是分类层的softmax输出
全局的分类损失，也是一个交叉熵损失函数

（翻页） Experiment-segmentation

分割的结果来看

14.JPG

定量分析
SMCN作者的模型
比 nnUnet要好一点点
尤其是在
nonPDAC肿块的识别上
远远好于nnUnet

定性分析呢
也可以看出，
作者的模型，
在某一些肿块的鉴别上，
确实比nnUet好一点

3 Experiment-Classification

15.JPG

分类的结果来看
比 直接的 ResNet3D的效果要好的多

他也做了一些消融实验
PV，表示的是，
直接 用 分割的结果进行分类

VV表示，
直接 用 图神经网络的顶点进行分类
也就是 第二部分之后的结果进行分类
GC就是 最后采用的模型

3 Experiment - sum up

16.JPG

最后的实验还有一个病人的检测管理

其实，作者就做了一件事
就是 胰腺癌的10分类问题
按照分类之后属于什么肿块
再去建议到底是
出院，监管，还是手术

95%的手术患者被正确引导手术
监测患者从[20]的49%增加到63%
在出院时表现相似

4 Pros & Cons

这篇文章
给我的感觉就是
他 把 分割 和 图神经网络 集合起来
做了一个分类
解决了一个不算是比较新的问题

他的缺点是
文章中，用到了很多的先验知识
所以，
他说的他的结果比nnUet好
其实，也有可能是这些先验知识
导致的

（翻页）

我的汇报结束了
大家还有什么问题吗？

（等待）
没有的话，我就结束了