[论文解读] Automated Unsupervised Segmentation of Liver Lesions in CT scans via Cahn-Hilliard Phase Separation

Jana Lipková, Markus Rempfler+3 more|arXiv (Cornell University)|Apr 7, 2017

Hydrocarbon exploration and reservoir analysis参考文献 7被引用 8

一句话总结

该论文提出了一种新颖的3D无监督肝脏病灶分割方法，利用Cahn-Hilliard相分离方程，通过将肝脏组织建模为健康组织与病理性组织的混合相，增强并分离出噪声CT扫描中的低信号病灶。该方法在3Dircadb上实现了0.61 ± 0.22的SOTA Dice分数，在LITS-hypo上实现了0.53 ± 0.27的Dice分数，仅通过相分离后的基于强度的阈值化处理，展现出对噪声、金属伪影和低对比度病灶的强鲁棒性。

ABSTRACT

The segmentation of liver lesions is crucial for detection, diagnosis and monitoring progression of liver cancer. However, design of accurate automated methods remains challenging due to high noise in CT scans, low contrast between liver and lesions, as well as large lesion variability. We propose a 3D automatic, unsupervised method for liver lesions segmentation using a phase separation approach. It is assumed that liver is a mixture of two phases: healthy liver and lesions, represented by different image intensities polluted by noise. The Cahn-Hilliard equation is used to remove the noise and separate the mixture into two distinct phases with well-defined interfaces. This simplifies the lesion detection and segmentation task drastically and enables to segment liver lesions by thresholding the Cahn-Hilliard solution. The method was tested on 3Dircadb and LITS dataset.

研究动机与目标

• 为解决CT扫描中自动肝脏病灶分割的挑战，该挑战受高噪声、低对比度和病灶异质性的影响。
• 开发一种无需标注训练数据或人工干预的无监督方法，以提高相较于人工或半自动方法的可重复性。
• 利用相分离的物理原理增强病灶可见性，并通过能量最小化扩散实现精确分割。
• 评估该方法对金属植入物等常见伪影以及不同扫描协议下图像强度不均匀性的鲁棒性。
• 证明仅对Cahn-Hilliard解进行简单阈值化即可在无需复杂学习组件的情况下获得具有竞争力的分割性能。

提出的方法

• 该方法将肝脏CT建模为两种相（健康肝脏与病灶）的混合体，具有不同的强度分布，利用Cahn-Hilliard方程驱动相分离。
• 通过空间有限差分与时间前向欧拉法求解Cahn-Hilliard方程，并采用多分辨率自适应网格以提升计算效率。
• 自由能泛函定义为双势阱势 $ f(\psi) = \frac{1}{4}\psi^2(1-\psi)^2 $，以促进形成两个明显分离的相。
• 化学势 $ \mu $ 作为自由能的变分导数，迁移率 $ M(\psi) = \sqrt{4f(\psi)} $ 用于保持病灶体积并防止远距离扩散。
• 使用双曲正切近似相场，计算软概率分割，随后在[0.15, 1]区间进行阈值化，获得最终病灶掩膜。
• 该方法本质上具有边缘保持特性，对强度变化具有鲁棒性，因其仅依赖于相对强度差异，而非绝对值。

实验结果

研究问题

• RQ1 Cahn-Hilliard相分离框架是否能有效增强并分割3D CT扫描中的低信号肝脏病灶，而无需依赖训练数据？
• RQ2 在存在金属植入物和图像强度不均匀性等常见成像伪影时，该方法表现如何？
• RQ3 与人工分割相比，该方法在低对比度或小病灶情况下的病灶边界保持程度如何？
• RQ4 与现有有监督和无监督方法相比，基于Cahn-Hilliard的分割方法在Dice分数和检测率方面的表现如何？
• RQ5 通过修改化学势或相模型，该方法是否可推广至其他器官或成像模态？

主要发现

• Cahn-Hilliard分割（CHS）在3Dircadb数据集上实现了0.61 ± 0.22的Dice分数，优于该研究中报告的卷积神经网络基线模型。
• 在LITS-hypo子集上，该方法实现了0.53 ± 0.27的Dice分数，具有更高的敏感度（0.70 ± 0.21）但较低的精确度（0.52 ± 0.30），表明在小病灶和假阳性方面存在挑战。
• 该方法对金属伪影和强度变化表现出强鲁棒性，分割结果不受绝对强度偏移或高对比度植入物的影响。
• CHS方法良好保持了病灶边界，尤其在低对比度或解剖结构复杂的区域，其过度分割程度低于人工分割。
• 在LITS-hypo数据集上，该方法实现了0.85 ± 0.20的检测率，表明尽管存在小病灶或稀疏病灶的挑战，仍具备强大的病灶定位能力。
• 该方法计算效率高，典型模拟时间约为每例肝脏体积7分钟（4核系统），具备临床部署的可行性。