[论文解读] Automatic Prostate Zonal Segmentation Using Fully Convolutional Network with Feature Pyramid Attention

Yongkai Liu, Guang Yang+8 more|arXiv (Cornell University)|Oct 31, 2019

Prostate Cancer Diagnosis and Treatment参考文献 16被引用 9

一句话总结

本文提出一种带有特征金字塔注意力机制的全卷积网络，用于在T2加权MRI上自动分割前列腺的外周带（PZ）和移行带（TZ）。该模型在内部测试数据集上取得0.74（PZ）和0.86（TZ）的高Dice分数，在外部验证数据集上分别达到0.74（PZ）和0.792（TZ），性能与放射科专家相当。

ABSTRACT

Our main objective is to develop a novel deep learning-based algorithm for automatic segmentation of prostate zone and to evaluate the proposed algorithm on an additional independent testing data in comparison with inter-reader consistency between two experts. With IRB approval and HIPAA compliance, we designed a novel convolutional neural network (CNN) for automatic segmentation of the prostatic transition zone (TZ) and peripheral zone (PZ) on T2-weighted (T2w) MRI. The total study cohort included 359 patients from two sources; 313 from a deidentified publicly available dataset (SPIE-AAPM-NCI PROSTATEX challenge) and 46 from a large U.S. tertiary referral center with 3T MRI (external testing dataset (ETD)). The TZ and PZ contours were manually annotated by research fellows, supervised by genitourinary (GU) radiologists. The model was developed using 250 patients and tested internally using the remaining 63 patients from the PROSTATEX (internal testing dataset (ITD)) and tested again (n=46) externally using the ETD. The Dice Similarity Coefficient (DSC) was used to evaluate the segmentation performance. DSCs for PZ and TZ were 0.74 and 0.86 in the ITD respectively. In the ETD, DSCs for PZ and TZ were 0.74 and 0.792, respectively. The inter-reader consistency (Expert 2 vs. Expert 1) were 0.71 (PZ) and 0.75 (TZ). This novel DL algorithm enabled automatic segmentation of PZ and TZ with high accuracy on both ITD and ETD without a performance difference for PZ and less than 10% TZ difference. In the ETD, the proposed method can be comparable to experts in the segmentation of prostate zones.

研究动机与目标

• 开发一种基于深度学习的方法，用于在T2加权MRI上自动分割前列腺分区（PZ和TZ）。
• 在独立的外部数据集上评估模型性能，以确保其泛化能力。
• 将模型的分割精度与两名专家放射科医生之间的读者间一致性进行比较。
• 解决人工分割耗时且不同读者间变异大的问题。
• 为临床应用（如前列腺癌诊断和治疗规划）提供稳健的自动化分区分割。

提出的方法

• 设计了一种新颖的全卷积神经网络（FCN），结合特征金字塔注意力机制，以从T2加权MRI扫描中捕捉多尺度特征。
• 网络引入跳跃连接，整合编码器不同阶段的特征，以保留空间细节。
• 引入特征金字塔注意力模块，以动态强调不同尺度下的关键特征，提升定位精度。
• 模型在来自PROSTATEX挑战赛的250例患者的大规模数据集上进行端到端训练，并在63例内部患者和46例外部患者上进行验证。
• 采用二元交叉熵损失与Dice损失相结合的方式优化损失函数，以提高分割边界的精确度。
• 标注由泌尿生殖系统放射科医生监督下的研究员完成，确保高质量的真实标签。

实验结果

研究问题

• RQ1 深度学习模型是否能在多样化数据集上对T2加权MRI中的前列腺分区实现高精度分割？
• RQ2 所提模型的性能与两名专家放射科医生之间的读者间变异性相比如何？
• RQ3 与标准FCN架构相比，集成特征金字塔注意力机制是否能提升分割精度？
• RQ4 当在来自不同临床机构的独立外部数据集上测试时，模型性能是否保持稳健？
• RQ5 该模型是否能在临床实践中实现与专家水平相当的性能？

主要发现

• 在内部测试数据集（ITD）上，模型对前列腺外周带（PZ）的Dice相似系数（DSC）为0.74，对移行带（TZ）为0.86。
• 在外部分测试数据集（ETD）上，PZ的DSC为0.74，TZ为0.792，表明模型对未见数据具有强大的泛化能力。
• 两名专家放射科医生之间的读者间一致性DSC为0.71（PZ）和0.75（TZ），表明模型性能与专家水平的变异性相当。
• 模型在外部分测试数据集上未出现显著性能下降，表明其在不同成像协议和扫描设备平台下均具有鲁棒性。
• 特征金字塔注意力机制有助于改善特征表示，尤其在区分前列腺分区之间细微边界方面表现突出。
• 所提方法可实现高精度、全自动的前列腺分区分割，人工干预极少，适用于临床部署。