[论文解读] A Deep Attentive Convolutional Neural Network for Automatic Cortical Plate Segmentation in Fetal MRI

Haoran Dou, Davood Karimi+8 more|arXiv (Cornell University)|Apr 27, 2020

Fetal and Pediatric Neurological Disorders参考文献 68被引用 5

一句话总结

本文提出一种新型残差空间注意力机制与混合核卷积的3D全卷积神经网络，用于胎儿MRI中的自动皮层板分割。该方法在单次扫描处理时间不足一分钟的情况下，实现了87%的平均Dice分数、0.96 mm的Hausdorff距离和0.28 mm的对称表面差异，显著优于以往的深度学习与多图谱分割方法，达到当前最先进水平。

ABSTRACT

Fetal cortical plate segmentation is essential in quantitative analysis of fetal brain maturation and cortical folding. Manual segmentation of the cortical plate, or manual refinement of automatic segmentations is tedious and time-consuming. Automatic segmentation of the cortical plate, on the other hand, is challenged by the relatively low resolution of the reconstructed fetal brain MRI scans compared to the thin structure of the cortical plate, partial voluming, and the wide range of variations in the morphology of the cortical plate as the brain matures during gestation. To reduce the burden of manual refinement of segmentations, we have developed a new and powerful deep learning segmentation method. Our method exploits new deep attentive modules with mixed kernel convolutions within a fully convolutional neural network architecture that utilizes deep supervision and residual connections. We evaluated our method quantitatively based on several performance measures and expert evaluations. Results show that our method outperforms several state-of-the-art deep models for segmentation, as well as a state-of-the-art multi-atlas segmentation technique. We achieved average Dice similarity coefficient of 0.87, average Hausdorff distance of 0.96 mm, and average symmetric surface difference of 0.28 mm on reconstructed fetal brain MRI scans of fetuses scanned in the gestational age range of 16 to 39 weeks. With a computation time of less than 1 minute per fetal brain, our method can facilitate and accelerate large-scale studies on normal and altered fetal brain cortical maturation and folding.

研究动机与目标

• 为解决胎儿MRI中皮层板手动分割耗时费力的问题，该问题对研究脑发育成熟度与皮层折叠具有重要意义。
• 克服因低分辨率、部分容积效应以及发育中胎儿脑部形态可变性导致的自动分割局限性。
• 开发一种深度学习模型，有效捕捉多尺度特征与上下文信息，以提升分割精度。
• 相比多图谱分割方法（该方法速度慢且对图像伪影敏感），降低计算时间并提高鲁棒性。
• 通过提供快速、准确且全自动的分割方法，支持大规模正常与异常胎儿皮层发育的定量研究。

提出的方法

• 该方法采用带有残差连接的3D全卷积神经网络，以稳定训练过程并改善梯度流动。
• 提出一种新型残差空间注意力模块，通过使用多种3D卷积块与混合核大小（如3×3×3、5×5×5）来学习多尺度上下文特征。
• 注意力机制通过学习空间重要性权重，自适应地重新校准特征图，从而增强如薄皮层板等关键结构的表征。
• 在网络多个阶段应用深度监督，以改善主干网络与注意力模块中的梯度反向传播与特征学习。
• 模型在64×64×64大小的3D MRI块上端到端训练，覆盖约50×50×50 mm³区域，尽管受限于GPU显存，仍能捕捉全局上下文信息。
• 通过结合交叉熵损失与Dice损失进行联合训练，以优化分割性能。

实验结果

研究问题

• RQ1 具有混合核卷积的深度注意力3D CNN是否能在胎儿MRI的皮层板分割任务中超越现有最先进深度学习模型？
• RQ2 所提出的残差空间注意力机制相比标准卷积层，在提升分割精度方面有何改进？
• RQ3 该模型在不同MRI重建算法（如NiftyMIC与Kainz等人方法）之间具有多大程度的泛化能力？
• RQ4 与多图谱分割方法相比，该方法的推理速度如何？是否能够支持大规模研究？
• RQ5 在胎儿MRI中常见的部分容积效应与低分辨率伪影存在的情况下，该模型是否仍能保持高性能？

主要发现

• 所提方法在16至39周妊娠龄范围内实现了0.87的平均Dice相似系数，显著优于其他深度学习模型及多图谱分割方法。
• 平均Hausdorff距离为0.96 mm，表明即使在皮层板结构纤薄的情况下，边界定位仍具有高精度。
• 对称表面差异为0.28 mm，表明表面级分割准确，几何偏差极小。
• 单次胎儿脑部扫描的推理时间小于一分钟，支持大规模研究的高效处理。
• 该模型在NiftyMIC重建图像上也表现出良好泛化能力，即使经过重采样以匹配训练时的重建域，仍保持稳定性能，表明对重建差异具有鲁棒性。
• 专家评估确认，该模型生成的分割结果比多图谱方法更准确，且所需的人工修正更少。