本文2100字，閱讀大約需要7分鐘

在醫學圖像分析中，我們需要識別解剖結構的標志位點，識別出的位點可用于臨床分析以及解剖結構分割等用途。深度學習的發展，給這樣的方法帶來了一些新的可能，已有不少的研究。這種定位標志位點的算法，就像是射擊打靶一樣，需要盡可能精確的命中靶心的紅點。2019年一篇論文介紹了SCN卷積神經網絡如何去識別解剖標志位點，這里筆者嘗試做一個簡要的解讀。

靶點

訓練一個識別解剖標志位點的卷積神經網絡和人類訓練打靶其實非常相似，兩者都是希望盡可能地命中目標的最中心。人類在打靶的時候，靶點的中心有一個顯著的紅圈標記。醫學圖像的數據標注也類似，下圖中的紅色的十字標記即為一個人工標注點。

CT圖像的脊椎骨位點標注

圖中每一個紅色的十字，代表一個解剖標記點(脊椎骨)，一張圖中會根據需要標記多個點。可以看到這樣的標記只是一個點標記，實際上在打靶的時候我們無法完全命中絕對的靶心，只能盡可能地靠近靶心，在一個范圍內即可。那么如何來定義這個范圍？我們可以用一個表述正態分布的函數來描述可能的落點，這就是高斯函數。公式我們就不列在這了，因為我也沒搞明白[機智]。但可以看下函數的圖像，下面的一維的函數圖像可以看到不同的方差的曲線。

不同方差的高斯函數圖像對比

但二維圖像中靶是一個平面的，所以要用二維的高斯函數來描述靶的范圍，以確定打到哪算是命中。下圖是二維的高斯函數圖像，最高的頂點代表靶的中心點。方差則決定了靶的范圍，方差越大范圍越大。

二維高斯函數圖像

設定目標

深度學習的模型其實是一個“黑盒子”，里面那些權重參數的意義解釋起來可能會十分的困難。打靶也一樣，這是一個復雜的動作，復雜到需要調動全身肌肉來參與運動，每塊肌肉的發力大小就像深度學習的權重一樣。你如果問一個射擊很棒的人他某塊肌肉出了多少牛頓的力來命中一個目標，他是沒法回答的。打靶訓練的目標很明確，盡可能的靠近靶心。訓練的時候如果命中點偏下，那么就往上調整一點，這背后其實在調整肌肉發力的權重。所以調整肌肉參與權重的過程，就是訓練的過程。深度學習模型在訓練的時候采用目標函數來評估打靶結果，也叫作損失函數。我們希望找到一組參數(w,b,σ)，讓這個目標函數的值最小。

損失函數

損失函數分為3個部分。第1部分描述的是當前模型輸出的結果和我們想要打中的靶的距離，這里指的是歐氏距離，表達了我們命中的位置離靶心越近越好的期望。打中靶其實可以有2種方法，一個方法是喵得準，另外一個方法是靶足夠大。也就是σ足夠大，可以看到第1部分的參數包含了σ。但如果靶太大也沒有意義，因為那不是真的成績好，大到一定程度兩個靶重疊，同時命中兩個顯然不可取的。所以增加了第2部分來限制靶的大小，這時候如果靶變大了第2部分會變大，要達到總體最小只選擇大靶顯然是不行的。第3部分是用來限制權重(w)的最大值的，因為y=wx+b，w太大引入誤差也大。這就像射擊的時候總是訓練少數的幾塊肌肉，練出來對于訓練用的靶可能打得好，一旦靶位稍微有變化，這幾塊很大的肌肉就會不協調。我們希望用的是巧勁，而不是用蠻力。這個就是L2范數，可以解決過擬合的問題。

先驗知識

醫生看病需要學習多年的解剖學知識，這就是先驗知識。這些標記的位點從解剖學上來說有一些空間關系，通過多年的訓練醫生可以掌握這些關系。每一個靶場的靶的大致位置不會變，但每個靶都可以有些小范圍的運動變化，在靶場經常混跡的人可以學到靶場的靶的空間分布情況。同樣，卷積神經網絡可以學到這些解剖位點的空間關系。

SCN卷積神經網絡結構

這是一個能夠識別手部解剖位點的卷積神經網絡，下半部分的卷積層就是用來學習這些解剖先驗空間關系的。

打靶訓練

訓練的過程就像是找到肌肉記憶的過程，可以有多重不同的方式。訓練可以分批次進行，一批可以包含多場訓練，這個就可以理解為訓練時候的批次大小batch-size。批次大小取決于打靶的人有多少體力，對應模型訓練需要的內存。由于體力限制，一個批次不可能練太多，那么只好訓練多個批次，對應到模型訓練的迭代iterations。打靶訓練需要請教練，在訓練的時候教練會告訴你朝著哪個方向去提升，對應到模型訓練就是優化方法。如果教練怎么都帶不好，那么可能是學員肌肉僵化不適合打靶，也可能是教練方法不對。模型沒法收斂可能是神經網絡結構不好，或者是優化方法沒找對。

不同的優化方法

成績評估

很顯然，打中的環是打靶的成績，離靶心越近成績越好。另外打多個靶，平均離靶心的距離也是一個可以用來評估的方式。再者，多少環以上的成績次數占比，以及多少環外的成績次數占比都是可以用于評估一個打靶選手的表現。圖為SCN模型的一個平均離靶心距離評估曲線，曲線越靠左越靠上成績越好。可以解讀為x環以上的次數在總的射擊次數中的占比曲線。

平均離靶心距離曲線

另外，靶場對成績可能有影響，使用不同的靶場來對打靶學員進行評估是一個不錯的選擇。對應到模型，這就是考驗模型在不同圖像上的適應能力。

寫在最后

通過用射擊打靶的訓練，我們類比了深度學習位點識別的標注、模型原理、訓練以及如何評估。但本文中并沒有完整的解釋各方面的細節，若需知道更多的SCN

總結

以上是生活随笔為你收集整理的卷积神经网络的结构_射击训练：卷积神经网络识别解剖结构标志位点的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。