[论文解读] A 2D dilated residual U-Net for multi-organ segmentation in thoracic CT

Sulaiman Vesal, Nishant Ravikumar+1 more|arXiv (Cornell University)|May 19, 2019

Lung Cancer Diagnosis and Treatment参考文献 6被引用 13

一句话总结

本文提出一种用于胸部CT扫描中多器官分割的2D空洞残差U-Net（U-Net+DR），在瓶颈层引入空洞卷积，并在编码器中加入残差连接，以捕捉全局上下文信息并改善梯度流动。该方法在ISBI 2019 SegTHOR挑战赛测试集上取得了91.57%的Dice分数，展现出在食管等具有挑战性的器官上最先进的性能。

ABSTRACT

Automatic segmentation of organs-at-risk (OAR) in computed tomography (CT) is an essential part of planning effective treatment strategies to combat lung and esophageal cancer. Accurate segmentation of organs surrounding tumours helps account for the variation in position and morphology inherent across patients, thereby facilitating adaptive and computer-assisted radiotherapy. Although manual delineation of OARs is still highly prevalent, it is prone to errors due to complex variations in the shape and position of organs across patients, and low soft tissue contrast between neighbouring organs in CT images. Recently, deep convolutional neural networks (CNNs) have gained tremendous traction and achieved state-of-the-art results in medical image segmentation. In this paper, we propose a deep learning framework to segment OARs in thoracic CT images, specifically for the: heart, esophagus, trachea and aorta. Our approach employs dilated convolutions and aggregated residual connections in the bottleneck of a U-Net styled network, which incorporates global context and dense information. Our method achieved an overall Dice score of 91.57% on 20 unseen test samples from the ISBI 2019 SegTHOR challenge.

研究动机与目标

• 为解决胸部CT扫描中器官受照体积（OARs）准确、自动分割的挑战，这些结构在放射治疗计划中至关重要。
• 克服人工分割的局限性，包括耗时、评分者间差异大，以及难以区分低对比度器官（如食管）的问题。
• 开发一种深度学习框架，有效捕捉局部与全局上下文信息，以提升复杂胸部结构的分割性能。
• 通过基于2D U-Net架构并结合空洞卷积与残差连接，实现对心脏、食管、气管和主动脉的鲁棒且可重复的分割。

提出的方法

• 该方法采用包含四个编码器-解码器模块的2D U-Net架构，使用3×3卷积、批归一化、ReLU激活和最大池化操作。
• 在瓶颈层应用空洞卷积，空洞率范围为1至4，以在不增加参数量的情况下扩展感受野，从而捕捉长距离上下文特征。
• 在每个编码器模块的两层卷积之间引入残差连接，以改善梯度流动并增强跨尺度的特征学习。
• 采用两阶段训练策略：首先使用在线数据增强进行训练，随后通过迁移学习（TL）进行微调，损失函数采用多类别软Dice损失和Tversky损失。
• 后处理阶段保留每个结构的最大连通区域，以纠正微小的误分类预测，显著降低Hausdorff距离，同时对Dice分数影响极小。
• 输入的CT切片通过对比度受限自适应直方图均衡化（CLAHE）进行预处理，并进行归一化，以增强对比度和一致性。

实验结果

研究问题

• RQ1 在U-Net瓶颈层引入空洞卷积是否能通过扩展感受野来提升胸部OARs的分割精度？
• RQ2 在编码器中引入残差连接是否能增强特征学习与梯度流动，从而提升多器官分割性能？
• RQ3 在线数据增强与迁移学习对模型在未见测试数据上的泛化能力与性能表现有何影响？
• RQ4 所提出方法在分割低对比度器官（如食管）方面，相较于现有方法优势有多大？
• RQ5 当训练数据有限时，2D网络能否实现与3D网络相媲美的性能表现？

主要发现

• 所提出的2D U-Net+DR在完成在线数据增强与迁移学习后，测试集Dice分数达到91.57%，显著优于先前方法。
• 由于对比度低且形态不规则，食管是分割中最具挑战性的器官，其Dice分数达到85.8%，超过先前工作中报告的85.67%。
• 心脏和主动脉因对比度高且形态规则，取得了最高的Dice分数（分别为94.1%和93.8%）。
• 微调后，测试集的Hausdorff距离降低至0.2500 mm，表明边界精度显著提升，尽管后处理对Dice分数的提升微乎其微。
• 该方法在不同患者解剖结构中表现出强鲁棒性与一致性，可视化结果展示了所有四个OAR的精确3D表面重建。
• 消融实验表明，数据增强与迁移学习对实现最优性能至关重要，尤其在小尺寸与复杂结构上表现显著。