[论文解读] Deep learning in magnetic resonance prostate segmentation: A review and a new perspective

David Gillespie, Connah Kendrick+4 more|arXiv (Cornell University)|Nov 16, 2020

Prostate Cancer Diagnosis and Treatment参考文献 62被引用 10

一句话总结

本文综述了基于MRI的前列腺分割最先进的深度学习方法，提出了一种优化的2D U-Net架构，并在四个公开数据集上使用Dice相似系数（DSC）进行了评估。该模型在综合评估中达到0.9427的DSC，在跨数据集测试中达到0.5892的DSC，凸显了泛化方面的挑战，并倡导采用标准化协议以提升放射治疗中研究的可重复性和临床适用性。

ABSTRACT

Prostate radiotherapy is a well established curative oncology modality, which in future will use Magnetic Resonance Imaging (MRI)-based radiotherapy for daily adaptive radiotherapy target definition. However the time needed to delineate the prostate from MRI data accurately is a time consuming process. Deep learning has been identified as a potential new technology for the delivery of precision radiotherapy in prostate cancer, where accurate prostate segmentation helps in cancer detection and therapy. However, the trained models can be limited in their application to clinical setting due to different acquisition protocols, limited publicly available datasets, where the size of the datasets are relatively small. Therefore, to explore the field of prostate segmentation and to discover a generalisable solution, we review the state-of-the-art deep learning algorithms in MR prostate segmentation; provide insights to the field by discussing their limitations and strengths; and propose an optimised 2D U-Net for MR prostate segmentation. We evaluate the performance on four publicly available datasets using Dice Similarity Coefficient (DSC) as performance metric. Our experiments include within dataset evaluation and cross-dataset evaluation. The best result is achieved by composite evaluation (DSC of 0.9427 on Decathlon test set) and the poorest result is achieved by cross-dataset evaluation (DSC of 0.5892, Prostate X training set, Promise 12 testing set). We outline the challenges and provide recommendations for future work. Our research provides a new perspective to MR prostate segmentation and more importantly, we provide standardised experiment settings for researchers to evaluate their algorithms. Our code is available at https://github.com/AIEMMU/MRI\_Prostate.

研究动机与目标

• 综述并分析当前深度学习模型在MR前列腺分割中的优势与局限性。
• 解决由于专有数据集和小样本量导致的现有模型可重复性与泛化性不足的问题。
• 提出一种标准化的实验协议，以实现在不同数据集之间对分割算法进行公平比较。
• 开发并评估一种优化的2D U-Net模型，以提升在多种MRI采集协议下的性能与泛化能力。
• 提供开源代码与基准设置，以支持医学图像分割领域可重复的研究。

提出的方法

• 本研究评估了一种经过修改的2D U-Net架构，采用标准激活函数与优化器，在四个公开MRI数据集（Decathlon、Promise12、ProstateX及其他）上进行训练。
• 模型使用标准的数据增强技术，包括Mixup，以提升在小样本数据集上的泛化能力。
• 讨论了自监督学习技术作为在标注数据有限时替代监督预训练的方案。
• 性能通过Dice相似系数（DSC）进行评估，采用数据集内与跨数据集的测试协议。
• 作者建立了标准化的训练与测试划分，以确保不同模型之间的公平比较。
• 公开发布代码与实验设置，以促进研究的可重复性与透明度。

实验结果

研究问题

• RQ1 最先进的深度学习模型在不同采集协议的前列腺MRI分割数据集上表现如何？
• RQ2 单一优化的2D U-Net在多个具有不同成像特征的公开数据集上能实现多大程度的泛化？
• RQ3 当前深度学习模型在临床部署中的关键局限性是什么，特别是数据稀缺与缺乏标准化的问题？
• RQ4 标准化评估协议能否提升分割算法比较中的可重复性与公平性？
• RQ5 DSC与表面Dice等指标在前列腺分割任务中如何反映临床相关性？

主要发现

• 所提出的优化2D U-Net在Decathlon测试集的综合评估中达到0.9427的DSC，表明其在标准化基准上的优异表现。
• 在跨数据集评估中（Promise12训练，ProstateX测试）记录到最低DSC为0.5892，揭示了显著的泛化挑战。
• 在Promise12和ProstateX数据集上训练的模型对Decathlon数据集表现出中等程度的迁移能力，表明在不同机构间存在部分泛化能力。
• 本研究证实，由于采集协议与数据分布的差异，当前模型往往无法泛化到真实临床数据中。
• 作者证明，标准化评估协议与开源代码对于实现医学图像分割领域可重复且可比较的研究至关重要。
• 本研究强调DSC对小轮廓误差不敏感，而此类误差可能对临床工作流程产生重大影响，提示需要引入更具临床相关性的评估指标。