[论文解读] Generative Model-Based Ischemic Stroke Lesion Segmentation

Tao Song|arXiv (Cornell University)|Jun 6, 2019

Acute Ischemic Stroke Management参考文献 11被引用 12

一句话总结

该论文提出了一种基于生成模型的新框架，用于使用CT灌注（CTP）数据进行缺血性卒中病灶分割，通过整合提取器、生成器和分割器，合成临床上相关的弥散加权成像（DWI）样图像，以提升病灶检测性能。该方法在ISLES 2018数据集上端到端训练，实现了最先进性能，在挑战赛中获得第一名，通过广义Dice损失和加权交叉熵损失有效缓解了数据不平衡问题。

ABSTRACT

CT perfusion (CTP) has been used to triage ischemic stroke patients in the early stage, because of its speed, availability, and lack of contraindications. Perfusion parameters including cerebral blood volume (CBV), cerebral blood flow (CBF), mean transit time (MTT) and time of peak (Tmax) could also be computed from CTP data. However, CTP data or the perfusion parameters, are ambiguous to locate the infarct core or tissue at risk (penumbra), which is normally confirmed by the follow-up Diffusion Weighted Imaging (DWI) or perfusion diffusion mismatch. In this paper, we propose a novel generative modelbased segmentation framework composed of an extractor, a generator and a segmentor for ischemic stroke lesion segmentation. First, an extractor is used to directly extract the representative feature images from the CTP feature images. Second, a generator is used to generate the clinical relevant DWI images using the output from the extractor and perfusion parameters. Finally, the segmentor is used to precisely segment the ischemic stroke lesion using the generated DWI from the generator. Meanwhile, a novel pixel-region loss function, generalized dice combined with weighted cross entropy, is used to handle data unbalance problem which is commonly encountered in medical image segmentation. All networks are trained end-to-end from scratch using the 2018 Ischemic Stroke Lesion Segmentation Challenge (ISLES) dataset and our method won the first place in the 2018 ischemic stroke lesions segmentation challenge in the test stage.

研究动机与目标

• 为解决从模糊的CTP灌注参数中准确识别缺血性卒中病灶的挑战，这些参数在缺乏随访DWI扫描的情况下难以解释。
• 克服传统分割方法仅依赖CTP数据的局限性，后者常导致病灶定位不精确。
• 开发一种深度学习框架，从CTP数据中合成DWI样图像，以提升病灶分割性能。
• 通过一种新颖的混合损失函数（结合广义Dice和加权交叉熵）缓解医学图像分割中的数据不平衡问题。

提出的方法

• 使用提取器网络直接从CTP衍生的灌注参数（CBV、CBF、MTT、Tmax）中提取代表性特征。
• 使用生成器网络从提取的特征和灌注参数中合成DWI样图像，模仿实际DWI扫描的外观。
• 使用分割器网络在生成的DWI图像上执行精确的病灶分割，以合成数据作为输入。
• 引入一种新颖的像素-区域损失函数，结合广义Dice系数和加权交叉熵，以处理病灶分割中的类别不平衡问题。
• 所有组件均在2018年ISLES数据集上从零开始端到端训练，未使用外部数据进行预训练。
• 该框架利用DWI的临床相关性，在训练阶段无需实际DWI扫描的情况下，提升了分割精度。

实验结果

研究问题

• RQ1 生成模型能否有效从CTP灌注参数中合成DWI样图像，以提升缺血性卒中病灶分割性能？
• RQ2 与直接在CTP参数上进行分割相比，合成DWI数据的整合在多大程度上提升了病灶检测精度？
• RQ3 结合广义Dice和加权交叉熵的混合损失函数在多大程度上缓解了卒中病灶分割中的数据不平衡问题？
• RQ4 在ISLES基准上，统一的生成器-分割器框架的端到端训练是否优于分阶段或预训练方法？
• RQ5 所提出的方法在随访DWI无法立即获取的真实临床环境中是否具备泛化能力？

主要发现

• 所提方法在2018年缺血性卒中病灶分割挑战赛中表现最佳，成功在测试阶段获得第一名。
• 利用生成模型合成DWI样图像显著提升了病灶分割精度，相比仅使用CTP数据的基线方法效果更优。
• 结合广义Dice和加权交叉熵的混合损失函数有效减轻了类别不平衡的影响，使小病灶或稀疏病灶的分割更加稳健。
• 从零开始的端到端训练取得了更优结果，证明了整个流程的有效性，且无需依赖预训练模型。
• 该框架成功利用了DWI的诊断相关性，即使在推理阶段无需实际DWI扫描，也能实现更早、更准确的分诊。