[论文解读] DALS: Deep Active Lesion Segmentation

Ali Hatamizadeh, Assaf Hoogi+5 more|arXiv (Cornell University)|Aug 19, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 8被引用 1

一句话总结

DALS 提出了一种深度主动病灶分割框架，结合多尺度编码器-解码器卷积神经网络与改进的水平集主动轮廓模型，实现精确的病灶分割，尤其在小样本数据集上表现优异。该方法端到端地学习初始化概率图与主动轮廓模型参数，在涵盖 MR 和 CT 扫描的多器官病灶数据集上优于现有方法。

ABSTRACT

Lesion segmentation is an important problem in computer-assisted diagnosis that remains challenging due to the prevalence of low contrast, irregular boundaries that are unamenable to shape priors. We introduce Deep Active Lesion Segmentation (DALS), a fully automated segmentation framework for that leverages the powerful nonlinear feature extraction abilities of fully Convolutional Neural Networks (CNNs) and the precise boundary delineation abilities of Active Contour Models (ACMs). Our DALS framework benefits from an improved level-set ACM formulation with a per-pixel-parameterized energy functional and a novel multiscale encoder-decoder CNN that learns an initialization probability map along with parameter maps for the ACM. We evaluate our lesion segmentation model on a new Multiorgan Lesion Segmentation (MLS) dataset that contains images of various organs, including brain, liver, and lung, across different imaging modalities---MR and CT. Our results demonstrate favorable performance compared to competing methods, especially for small training datasets.

研究动机与目标

• 解决医学影像中低对比度、边界不规则病灶的分割挑战。
• 通过整合深度特征学习与主动轮廓模型，提升病灶分割精度。
• 开发一种在训练数据有限时仍表现良好的框架。
• 构建一个统一架构，联合学习初始化图与主动轮廓参数。
• 在多样化、多器官、多模态的病灶分割数据集上评估性能。

提出的方法

• 采用一种新颖的多尺度编码器-解码器卷积神经网络，用于预测主动轮廓模型的初始化概率图与参数图。
• 通过逐像素参数化的改进型水平集公式，实现细粒度的边界勾画。
• 将主动轮廓模型的能量泛函按像素参数化，以增强对病灶形态的适应能力。
• 使用联合损失函数（结合分割精度与轮廓保真度）进行端到端训练。
• 在包含脑、肝、肺病灶的新型多器官病灶分割（MLS）数据集上评估模型，数据来源为 MR 和 CT 扫描。
• 利用深度特征实现鲁棒的特征提取，同时借助主动轮廓模型实现精确的边界优化。

实验结果

研究问题

• RQ1 基于深度学习的主动轮廓模型能否提升在低对比度、边界不规则病灶上的分割精度？
• RQ2 与最先进方法相比，所提出的 DALS 框架在训练数据有限时的表现如何？
• RQ3 联合学习初始化图与主动轮廓参数是否能提升分割性能？
• RQ4 该框架在不同器官与成像模态间的泛化能力如何？
• RQ5 水平集能量泛函的逐像素参数化能否提升边界精度？

主要发现

• 在多器官病灶分割（MLS）数据集上，DALS 的性能优于对比方法。
• 该框架在小样本训练数据集上表现出强大的泛化能力与鲁棒性。
• 将基于 CNN 的特征学习与主动轮廓模型结合，可显著改善不规则病灶的边界勾画。
• 能量泛函的逐像素参数化显著提升了病灶边界定位的精度。
• 模型联合学习初始化图与轮廓参数的能力，带来了更精确的分割结果。
• 该方法在不同器官（脑、肝、肺）与成像模态（MR、CT）间表现出一致的性能。