標題：segan：對抗網路，擁有多尺度l1loss，用於醫療影象分割

摘要：新的端對端對抗網路segan。影象分割需要西密度，畫素級的label，單個標量的真/假的gan的DC的輸出可能是不充分的，而不能生產穩定而有效的梯度回饋給網路。

我們用了FCN網路作為分割器，來生成分割的label，並用一個新的對抗critic（批評）網路（多尺度l1loss）來強制DC和分割器來學習both全域性和區域性特徵，來生成長和短範圍的spatial（空間）關係，在畫素間的。在網路中，S和C網路並訓練，通過min-max game：C網路輸入影象（原始*pred label，原始影象*ground truth label）。然後訓練，通過最大化一個loss。S網路只用梯度——通過C網路的梯度，意在與最小化loss。我們展示了，這樣一個segan更加有效並且文件，對於分割任務，而且導致更好的表示，比state of art的unet更好

在miccai brats brain tumor上測試。拓展實驗結果顯示了segan的效果。

2013：更好的precision和sensitivity。

2015：更好的dcie和precision

1.介紹：

基礎問題影象分割。

許多理論框架被用於自動分割。FCN。encoder-decoder。CRF。

基於patch的訓練代價很高，區域性準確和塊大小也有關。現在最好的像unet，在整個影象或大的影象塊，使用跨越連結來聯合多等級的特徵。然而，這些方式始終被畫素級的loss限制。缺少能力來加強學習多尺度空間資訊。與基於塊的訓練相比，整個影象的問題是label和class是不平衡的。屬於整個影象的不同類的迅速是不平衡的。為了平衡整個問題，unet使用了weighted croos entropy來平衡類的頻率。然而，權重的選擇與任務相關而且難以優化。與unet相反，一個通用的loss能夠避免類不平衡以及額外的超引數會更合理。

在本文中。我們使用了新的e2e的對抗網路結果SEGAN。

——與傳統的分離G和D的loss不同，我們用了一個新的loss同時為了S和C。我們的C用來最大化l1，同時考慮cnn特徵的不同，預測和truth的不同。

——我們使用了FCN作為S，只用C傳來的梯度進行訓練。同時最小化C的同樣的loss。

——SEGAN是e2e，不需要patch或者更多的平滑化（crf）

我們的網路用了新loss，能加強多等級特徵的學習，更加直接和有效。

2.方法：

S：輸出pred

C：輸入有兩個，原始影象+pred mask；原始影象+truthmask。

S和C交替訓練，用對抗方法。S意在於最小化L1，二C在於最大化L1

2.1：Loss：MAE

2.2結構：

S：unet

C：類似於S的decoder。多等級特徵被從C的多個層中提取，用來算loss。因此可以獲得長和短程的空間聯絡——於畫素之間的。（pixel，low-superpixels，middle-patches）

2.3訓練segan：

RMSProp（bs64，lr0.00002）

用梯度搜索法來選擇最佳的block的數量

2.4穩定和收斂的基礎：

a.引入註釋