[论文解读] Dilated Convolutional Neural Networks for Cardiovascular MR Segmentation in Congenital Heart Disease

Jelmer M. Wolterink, Tim Leiner+2 more|Utrecht University Repository (Utrecht University)|Apr 12, 2017

Cardiac Imaging and Diagnostics被引用 17

一句话总结

本文提出一种空洞卷积神经网络（CNN），用于先天性心脏病（CHD）患者心血管磁共振（CMR）图像中心肌和血池的完全自动分割。使用仅10例训练扫描的少量数据集，该方法在131×131感受野下实现高精度，心肌Dice分数为0.80±0.06，血池为0.93±0.02，且每例扫描处理时间不足42秒。

ABSTRACT

We propose an automatic method using dilated convolutional neural networks (CNNs) for segmentation of the myocardium and blood pool in cardiovascular MR (CMR) of patients with congenital heart disease (CHD). Ten training and ten test CMR scans cropped to an ROI around the heart were provided in the MICCAI 2016 HVSMR challenge. A dilated CNN with a receptive field of 131x131 voxels was trained for myocardium and blood pool segmentation in axial, sagittal and coronal image slices. Performance was evaluated within the HVSMR challenge. Automatic segmentation of the test scans resulted in Dice indices of 0.80$\pm$0.06 and 0.93$\pm$0.02, average distances to boundaries of 0.96$\pm$0.31 and 0.89$\pm$0.24 mm, and Hausdorff distances of 6.13$\pm$3.76 and 7.07$\pm$3.01 mm for the myocardium and blood pool, respectively. Segmentation took 41.5$\pm$14.7 s per scan. In conclusion, dilated CNNs trained on a small set of CMR images of CHD patients showing large anatomical variability provide accurate myocardium and blood pool segmentations.

研究动机与目标

• 开发一种完全自动的方法，用于先天性心脏病（CHD）患者心血管MR（CMR）扫描中心肌和血池的分割。
• 应对CHD患者中高解剖变异性的挑战，该挑战阻碍了传统分割方法的应用。
• 减少对手动分割的依赖，后者耗时且费力，每例扫描需数小时。
• 利用空洞卷积捕捉长距离上下文信息，同时参数量极少，从而在小样本数据集上最小化过拟合风险。
• 在不进行下采样或每个体素提取补丁的情况下，实现高分辨率、平移等变的分割。

提出的方法

• 训练一个3D空洞CNN，基于以该体素为中心的三个正交补丁进行分类，通过平均三个补丁预测结果实现晚期融合。
• 网络采用堆叠的空洞卷积，膨胀率分别为1、2和4，以在不增加参数量或下采样的情况下实现131×131个体素的感受野。
• 该架构仅使用76,423个可训练参数，显著降低了小样本数据集上的过拟合风险。
• 该方法端到端处理完整图像切片，保留高分辨率输出并维持平移等变性。
• 采用五折交叉验证评估泛化能力，并分析预测方差以检测过拟合。
• 模型在MICCAI 2016 HVSMR挑战赛提供的10例训练和10例测试CMR扫描上进行训练与评估，使用心脏和主动脉区域的裁剪图像。

实验结果

研究问题

• RQ1 空洞卷积能否在极少参数下有效捕捉CMR图像中的长距离上下文信息？
• RQ2 在高解剖变异性和小训练集条件下，采用空洞卷积的完全卷积网络能否实现稳健的分割？
• RQ3 正交补丁融合是否相比单补丁或早期融合方法能提升分割精度？
• RQ4 在小样本数据环境下，使用参数有限的空洞CNN是否能避免过拟合？
• RQ5 该方法能否在保持高精度的同时实现近实时性能（每例扫描低于1分钟）？

主要发现

• 在测试扫描中，空洞CNN对心肌的Dice分数为0.80±0.06，对血池为0.93±0.02，表明分割精度高。
• 心肌的平均表面距离为0.96±0.31 mm，血池为0.89±0.24 mm，表明边界对齐精确。
• 心肌的Hausdorff距离为6.13±3.76 mm，血池为7.07±3.01 mm，表明对异常值具有鲁棒性。
• 每例扫描的分割时间为41.5±14.7秒，显著快于以往方法（需超过12分钟）。
• 五折交叉验证中预测方差极低（图4g），表明尽管训练数据量小，仍能有效避免过拟合。
• 采用空洞卷积的网络优于感受野更小的非空洞基线模型，避免了肝脏的过度分割，并提升了特异性。