[论文解读] Automatic segmentation of prostate zones

Germonda Mooij, Inês Correia Bagulho+1 more|arXiv (Cornell University)|Jun 19, 2018

Prostate Cancer Diagnosis and Treatment参考文献 5被引用 11

一句话总结

本文提出一种用于3D T2加权MRI扫描中自动分割前列腺外周区（PZ）和移行区（TZ）的3D U-Net架构，TZ的Dice分数达到0.85，PZ达到0.60，略优于先前的2D和两阶段方法。研究探讨了解剖先验和非各向同性网络设计，发现分割周围组织会因特征图替换而损害PZ性能，而非各向同性架构仅带来微小提升。

ABSTRACT

Convolutional networks have become state-of-the-art techniques for automatic medical image analysis, with the U-net architecture being the most popular at this moment. In this article we report the application of a 3D version of U-net to the automatic segmentation of prostate peripheral and transition zones in 3D MRI images. Our results are slightly better than recent studies that used 2D U-net and handcrafted feature approaches. In addition, we test ideas for improving the 3D U-net setup, by 1) letting the network segment surrounding tissues, making use of the fixed anatomy, and 2) adjusting the network architecture to reflect the anisotropy in the dimensions of the MRI image volumes. While the latter adjustment gave a marginal improvement, the former adjustment showed a significant deterioration of the network performance. We were able to explain this deterioration by inspecting feature map activations in all layers of the network. We show that to segment more tissues the network replaces feature maps that were dedicated to detecting prostate peripheral zones, by feature maps detecting the surrounding tissues.

研究动机与目标

• 通过深度学习改进3D MRI中前列腺外周区和移行区的自动分割。
• 评估整合解剖先验（如分割周围组织）是否能提升分割性能。
• 研究在3D U-Net架构中反映MRI扫描非各向同性的特性是否能提升分割精度。
• 通过特征图可视化理解网络内部行为，特别是针对特定标签的特征学习机制。

提出的方法

• 将3D U-Net架构适配至前列腺的3D T2加权MRI体积数据，输入分辨率重采样为1×1×3.6 mm以适配GPU计算。
• 训练两种网络变体：非各向同性（aniso-3DUNET）和各向同性（iso-3DUNET），以测试架构非各向同性对性能的影响。
• 在两种设置下训练网络：2类（背景、TZ、PZ）和6类（包括膀胱、直肠、股骨），以评估分割复杂度增加的影响。
• 可视化所有层的特征图激活，分析标签数量变化对网络表征的影响，特别关注PZ特异性特征图。
• 计算TZ和PZ的Dice分数，以定量比较不同设置下的性能表现。
• 应用数据增强和类别平衡技术，以缓解数据集中类别不平衡的影响。

实验结果

研究问题

• RQ1 在3D U-Net中训练分割周围组织（膀胱、直肠、股骨）是否能提升前列腺外周区和移行区的分割精度？
• RQ2 在3D U-Net架构中反映MRI扫描尺寸的非各向同性特性（0.5×0.5×3.6 mm）是否能带来分割性能的提升？
• RQ3 增加分割类别数量如何影响网络学习PZ特异性、标签专属特征的能力？
• RQ4 为何在分割更多组织时观察到性能下降？这种现象在学习到的特征图中如何体现？
• RQ5 3D U-Net的早期层在未显式分割最终输出中的这些组织时，是否已编码关于周围解剖结构的上下文信息？

主要发现

• 3D U-Net在移行区获得0.85的Dice分数，在外周区获得0.60，优于近期的2D U-Net和ATLAS基线方法。
• 与各向同性版本相比，非各向同性网络变体（aniso-3DUNET）在PZ Dice分数上表现出微小提升（0.60 vs. 0.57），尽管差异在标准误差范围内。
• 训练网络分割额外组织（膀胱、直肠、股骨）导致PZ Dice分数显著下降0.07，与预期相反。
• 特征图可视化显示，在2类设置中PZ特异性特征图在6类设置中被多器官组合特征取代，解释了性能下降的原因。
• 即使在最终输出中未显式分割这些组织，网络在早期层已能捕获来自周围结构的上下文信息。
• 在多标签设置中，增加滤波器数量以保留PZ特异性特征可能是必要的，但会大幅增加GPU显存使用，且预期收益有限。