[论文解读] A Fully-Automated Pipeline for Detection and Segmentation of Liver Lesions and Pathological Lymph Nodes

Assaf Hoogi, John Lambert+3 more|arXiv (Cornell University)|Mar 19, 2017

Hepatocellular Carcinoma Treatment and Prognosis被引用 6

一句话总结

本文提出了一种完全自动化的端到端流程，通过结合边缘空间学习、基于AdaBoost的级联分类以及CNN增强的活动轮廓，实现对腹部CT扫描中肝脏病变和病理性淋巴结的检测与分割。该方法在包含42个肝脏病变和595个淋巴结的多样化数据集上，检测敏感度达到0.53，分割的平均Dice分数为0.71±0.15。

ABSTRACT

We propose a fully-automated method for accurate and robust detection and segmentation of potentially cancerous lesions found in the liver and in lymph nodes. The process is performed in three steps, including organ detection, lesion detection and lesion segmentation. Our method applies machine learning techniques such as marginal space learning and convolutional neural networks, as well as active contour models. The method proves to be robust in its handling of extremely high lesion diversity. We tested our method on volumetric computed tomography (CT) images, including 42 volumes containing liver lesions and 86 volumes containing 595 pathological lymph nodes. Preliminary results under 10-fold cross validation show that for both the liver lesions and the lymph nodes, a total detection sensitivity of 0.53 and average Dice score of $0.71 \\pm 0.15$ for segmentation were obtained.

研究动机与目标

• 开发一种完全自动化、可泛化的流程，用于在不同解剖背景下检测和分割肝脏及淋巴结中的癌性病变。
• 克服低对比度、异质性及形态可变性病变带来的挑战，这些病变对人工或传统自动化方法而言难以处理。
• 通过自动化RECIST兼容指标，在肿瘤学中实现可扩展、高精度的治疗反应评估。
• 提升在放射科医生面临高度不确定性时临床挑战性病例中病变检测与分割的鲁棒性。

提出的方法

• 使用边缘空间学习结合概率提升树（PBT）进行器官检测，通过AdaBoost在3D哈尔特征和可旋转特征上进行训练，以估计器官的位置、方向和尺度。
• 病变检测采用级联分类器流程：首先基于Hounsfield单位（HU）强度进行初始候选选择，随后通过3D哈尔特征过滤和基于自对齐射线的特征提取，结合AdaBoost进行分类。
• 一种自对齐特征提取方法从每个候选点向14个方向投射射线，在梯度极大值处提取24个局部图像特征（强度、梯度、方向），以提高判别能力。
• 病变分割采用混合方法，结合卷积神经网络（CNN）进行特征学习，以及具有自适应能量函数加权的活动轮廓（水平集）以提高边界精度。
• 分割流程通过两个自动检测的点（边界框角点）初始化轮廓，利用CNN提取的特征和能量最小化进行优化。
• 系统在两个数据集上进行评估：来自癌症影像图集（TCIA）的42个体积肝脏病变和86个体积淋巴结，淋巴结有手动标注，肝脏病变通过视觉审查确认。

实验结果

研究问题

• RQ1 完全自动化、端到端的流程是否能在腹部CT扫描中实现对高度多样的肝脏病变和病理性淋巴结的稳健检测与分割？
• RQ2 边缘空间学习、级联AdaBoost分类器与CNN增强活动轮廓的集成如何提升对低对比度和异质性病变的性能？
• RQ3 空间约束（如肝脏定位）对不同器官中病变检测性能有何影响？
• RQ4 该方法在组织对比度差、形状不规则或边界模糊的挑战性病例中表现如何？

主要发现

• 在10折交叉验证中，该流程在肝脏病变和淋巴结上的检测敏感度为0.53，其中肝脏病变的敏感度为0.85，淋巴结为0.51。
• 当使用自动病变检测进行初始化时，病变分割的平均Dice分数为0.71±0.15；当使用手动检测点时，Dice分数为0.77±0.04。
• 对于淋巴结，使用自动检测时Dice分数为0.71±0.16，使用手动检测时为0.77±0.03，表明分割性能优异。
• 肝脏病变分割在自动检测下的Dice分数为0.67±0.20，手动检测下为0.82±0.14，反映出因训练数据较少和形态更复杂而导致的更高变异性。
• 该方法在高度异质性和低对比度病变上表现出鲁棒性，放射科医生指出在某些情况下，自动轮廓比手动勾画更准确。
• 淋巴结检测的敏感度显著低于肝脏病变检测，主要原因是缺乏空间约束，且淋巴结本身体积小、对比度低。