[论文解读] Assessing the Role of Random Forests in Medical Image Segmentation

Dennis Hartmann, Dominik Müller+2 more|arXiv (Cornell University)|Mar 30, 2021

Retinal Imaging and Analysis参考文献 6被引用 6

一句话总结

本研究评估了随机森林作为医学图像分割中无需GPU的深度卷积神经网络（DCNNs）的替代方法。基于PhC-C2DH-U373和视网膜成像数据集，研究结果表明，尽管DCNNs性能最佳，但一种随机森林方法的表现与之非常接近，证明其在资源受限环境下具备可行性，且无需依赖GPU。

ABSTRACT

Neural networks represent a field of research that can quickly achieve very good results in the field of medical image segmentation using a GPU. A possible way to achieve good results without GPUs are random forests. For this purpose, two random forest approaches were compared with a state-of-the-art deep convolutional neural network. To make the comparison the PhC-C2DH-U373 and the retinal imaging datasets were used. The evaluation showed that the deep convolutional neutral network achieved the best results. However, one of the random forest approaches also achieved a similar high performance. Our results indicate that random forest approaches are a good alternative to deep convolutional neural networks and, thus, allow the usage of medical image segmentation without a GPU.

研究动机与目标

• 评估随机森林是否能在不依赖GPU的情况下实现医学影像中的高精度分割性能。
• 将两种基于随机森林的方法与最先进的深度卷积神经网络（DCNN）进行性能比较。
• 确定随机森林是否可作为医学图像分割中深度学习的实用替代方案，特别是在低资源环境中。
• 评估基于随机森林的方法在不同医学影像模态上的可推广性，使用公开数据集进行验证。

提出的方法

• 实现了两种不同的基于随机森林的分割方法，利用局部图像特征和空间上下文信息进行像素级分类。
• 采用深度卷积神经网络（DCNN）作为最先进的基准模型用于对比。
• 在两个公开的医学影像数据集上进行模型训练与评估：PhC-C2DH-U373（相差显微镜图像）和视网膜成像（眼底照片）。
• 特征工程包括从每个像素周围的局部图像块中提取的强度、纹理和形态学特征。
• 通过随机森林集成中各棵树的多数投票机制生成像素级预测结果。
• 使用Dice系数和Jaccard指数等标准分割指标对性能进行量化评估。

实验结果

研究问题

• RQ1 随机森林在医学图像分割任务中能否实现与最先进的深度卷积神经网络相当的分割性能？
• RQ2 不同配置的随机森林在多样化的医学影像数据集上表现如何？
• RQ3 在无GPU环境下的设置中，随机森林在多大程度上可作为深度学习的可行替代方案？
• RQ4 特征工程与空间上下文对基于随机森林的分割精度有何影响？

主要发现

• 深度卷积神经网络在两个数据集上均取得了最高的分割性能，证实了其在该任务中的当前优势。
• 一种随机森林方法在PhC-C2DH-U373数据集上的Dice系数与DCNN相当，表明其具备强大的竞争力。
• 随机森林方法在视网膜成像数据集上表现出稳健性和高精度，尽管略低于DCNN的性能。
• 结果表明，随机森林无需GPU加速即可实现高精度分割，因此适用于资源有限的临床环境。