Deep learning models are driving major advances in many computer vision tasks (image classification, object detection, semantic image segmentation). In particular, deep learning is providing exciting solutions for medical image analysis problems and is seen as a key method for future applications. The goal of the project is to continue the work started at the Image Processing Group at the TSC on magnetic resonance image (MRI) segmentation using 3D convolutional neural networks

Convolutional neural networks (CNN) are powerful tools for learning representations from im-ages. They are being used in a large range of applications, being the state-of-the art in manycomputer vision tasks. In this work, we study the brain tumor segmentation problem using CNNs and the publicly available BraTS dataset. One of the key factors for this task is which training scheme is used since it should deal with memory constraints and should alleviate the high-imbalance nature between healthy and lesion tissue in the brain. Thus, the purpose of this project is to propose a comparison between several training schemes and extensively analyze and evaluate them in terms of the dice score. We evaluate dense-training against patch-sampling, and particularly, fixed-rule against adaptive sampling scheme. Furthermore, variants and modifications of the existing training schemes have been proposed in order to enhance their performance. Finally, several loss functions for each training scheme have been analyzed.

Las redes neuronales convolucionales (CNN) son un instrumento potente para aprender representaciones de imágenes. Se utilizan en una amplia gama de aplicaciones, siendo el estado del arte en muchas tareas de visión por computador. En este trabajo, estudiamos el problema de segmentación de tumores cerebrales utilizando CNNs y la base de datos BraTS disponible públicamente. Uno de los factores clave para esta tarea es qué esquema de entrenamiento utilizar, ya que este debe abordar limitaciones de memoria y debe solventar el desequilibrio entre el tejido sano y el tejido con tumor cerebral. Por lo tanto, el propósito de este proyecto es proponer una comparación entre varios esquemas de entrenamiento y evaluarlos extensivamente en términos de la métrica Dice. Evaluamos el esquema de entrenamiento denso contra el muestreo por parche, y particularmente, el muestreo con una regla fija contra el esquema de muestreo adaptativo. Además, se proponen variantes y modificaciones de las estrategias de entrenamiento existentes para mejorar su funcionamiento. Finalmente, se analizan varias funciones de pérdida para cada esquema de entrenamiento.

Les xarxes neuronals convolucionals (CNN) són un instrument potent per aprendre representacions d'imatges. S'utilitzen en una àmplia gamma d'aplicacions, sent l'estat de l'art en moltes tasques de visió per computador. En aquest treball, estudiem el problema de segmentació de tumors cerebrals utilitzant CNNs i la base de dades BraTS disponible públicament. Un dels factors clau per a aquesta tasca és quin esquema d'entrenament utilitzar, ja que aquest ha d'abordar limitacions de memòria i ha de solucionar el desequilibri entre el teixit sa i el teixit amb tumor cerebral. Per tant, el propòsit d'aquest projecte és proposar una comparació entre diversos esquemes d'entrenament i avaluar-los extensivament en termes de la mètrica Dice. Avaluem l'esquema d'entrenament dens contra el mostreig per segment, i particularment, el mostreig amb una regla fixa contra l'esquema de mostreig adaptatiu. A més, es proposen variants i modificacions de les estratègies d'entrenament existents per millorar el seu funcionament. Finalment, s'analitzen diverses funcions de pèrdua per a cada esquema de mostreig.