[论文解读] DeepOrgan: Multi-level Deep Convolutional Networks for Automated Pancreas Segmentation

Holger R. Roth|arXiv (Cornell University)|Jun 22, 2015

Advanced Neural Network Applications参考文献 12被引用 137

一句话总结

本文提出 DeepOrgan，一种用于腹部 CT 扫描中胰腺自动分割的多级深度卷积神经网络框架，采用自粗到细、自底向上的方法。它结合了密集的像素级标注与利用多尺度上下文特征的区域卷积神经网络（ConvNets），并通过联合学习 CT 强度和概率图，实现了在 82 名患者、4 折交叉验证下的最先进 Dice 相似性系数（DSC）71.8% ± 10.7%。

ABSTRACT

Automatic organ segmentation is an important yet challenging problem for medical image analysis. The pancreas is an abdominal organ with very high anatomical variability. This inhibits previous segmentation methods from achieving high accuracies, especially compared to other organs such as the liver, heart or kidneys. In this paper, we present a probabilistic bottom-up approach for pancreas segmentation in abdominal computed tomography (CT) scans, using multi-level deep convolutional networks (ConvNets). We propose and evaluate several variations of deep ConvNets in the context of hierarchical, coarse-to-fine classification on image patches and regions, i.e. superpixels. We first present a dense labeling of local image patches via $P{-}\mathrm{ConvNet}$ and nearest neighbor fusion. Then we describe a regional ConvNet ($R_1{-}\mathrm{ConvNet}$) that samples a set of bounding boxes around each image superpixel at different scales of contexts in a "zoom-out" fashion. Our ConvNets learn to assign class probabilities for each superpixel region of being pancreas. Last, we study a stacked $R_2{-}\mathrm{ConvNet}$ leveraging the joint space of CT intensities and the $P{-}\mathrm{ConvNet}$ dense probability maps. Both 3D Gaussian smoothing and 2D conditional random fields are exploited as structured predictions for post-processing. We evaluate on CT images of 82 patients in 4-fold cross-validation. We achieve a Dice Similarity Coefficient of 83.6$\pm$6.3% in training and 71.8$\pm$10.7% in testing.

研究动机与目标

• 解决胰腺分割中高解剖变异性带来的挑战，该问题限制了先前方法的性能。
• 通过采用自底向上、自粗到细的分类策略，克服自上而下多图谱配准与标签融合方法的局限性。
• 通过在图像块和超像素区域上利用深度学习，提升腹部 CT 中胰腺分割的准确性和鲁棒性。
• 通过使用深度卷积神经网络和结构化预测技术，实现胰腺分割的最先进性能。
• 在保持高准确性和跨多样化患者解剖结构的泛化能力的同时，实现高效的推理（每体积 1–3 分钟）。

提出的方法

• 使用基于熵率的分割方法和两级随机森林分类器生成初始超像素区域，以创建高敏感性、低精度的候选区域。
• 应用像素级卷积神经网络（P-ConvNet）对轴向-冠状-矢状图像块执行密集的滑动窗口分类，生成每个位置的概率图。
• 实施区域卷积神经网络（R₁-ConvNet），在每个超像素周围以不同尺度采样多个边界框，以捕捉多尺度上下文信息。
• 引入堆叠的 R₂-ConvNet，联合学习原始 CT 强度体数据和 P-ConvNet 生成的概率图，以优化分割预测。
• 应用三维高斯平滑和二维条件随机场（CRF）作为结构化预测后处理，以提高空间一致性和边界精度。
• 在 82 名患者 CT 扫描上使用 4 折交叉验证优化模型，并通过 Dice 相似性系数（DSC）评估性能。

实验结果

研究问题

• RQ1 与现有方法相比，多级深度卷积神经网络框架是否能提升胰腺分割的准确性，尤其是在存在高解剖变异性的情况下？
• RQ2 通过采用‘放大观察’式的区域卷积神经网络引入多尺度上下文特征，是否能提升在具有挑战性的超像素候选区域上的分割性能？
• RQ3 联合学习原始 CT 强度和深度卷积神经网络概率图是否能进一步增强分割的鲁棒性和准确性？
• RQ4 通过三维高斯平滑和二维 CRF 实现的结构化预测对最终分割质量与边界精度有何影响？
• RQ5 所提出的自粗到细、自底向上的方法在未见数据上的泛化能力如何，是否能降低在多样化患者解剖结构中的性能方差？

主要发现

• 所提出的 DeepOrgan 框架在独立测试数据上实现了平均 Dice 相似性系数（DSC）71.8% ± 10.7%，为发表时文献中报告的最高 DSC 值。
• 训练 DSC 达到 83.6% ± 6.3%，表明尽管存在高解剖变异性，模型仍具有强大的泛化能力且过拟合程度较低。
• 应用三维高斯平滑后，表面到表面距离从 1.46 ± 1.5 mm 显著改善至 0.94 ± 0.6 mm，具有统计学显著性（p < 0.01）。
• 测试中仅有两个异常值 DSC 低于 40%，其余均超过 50%，相比先前方法标准差更高，展现出更高的鲁棒性和稳定性。
• CRF 后处理步骤的 DSC（68.2% ± 4.1%）低于平滑后的 G(P₂(x)) 输出（71.8%），表明深度卷积神经网络概率图本身已高度优化。
• 推理时间高效，每 CT 体积仅需 1–3 分钟，远快于先前需数小时的方法，同时保持高准确度。