[论文解读] Global Deep Learning Methods for Multimodality Isointense Infant Brain Image Segmentation.

Zhengyang Wang, Na Zou+2 more|arXiv (Cornell University)|Dec 10, 2018

Advanced Neural Network Applications参考文献 42被引用 5

一句话总结

本文提出一种基于3D U-Net的深度学习模型，引入全局聚合模块，以提升等信号强度婴儿脑MR图像在体素级别对脑脊液（CSF）、灰质（GM）和白质（WM）的分割性能。通过有效融合全局上下文信息并减少上采样过程中的信息损失，该模型在多模态3D婴儿脑分割数据集上实现了最先进性能。

ABSTRACT

An important step in early brain development study is to perform automatic segmentation of infant brain magnetic resonance (MR) images into cerebrospinal fluid (CSF), gray matter (GM) and white matter (WM) regions. This task is especially challenging in the isointense stage (approximately 6-8 months of age) when GM and WM exhibit similar levels of intensities in MR images. Deep learning has shown its great promise in various image segmentation tasks. However, existing models do not have an efficient and effective way to aggregate global information. They also suffer from information loss during up-sampling operations. In this work, we address these problems by proposing a global aggregation block, which can be flexibly used for global information fusion. We build a novel model based on 3D U-Net to make fast and accurate voxel-wise dense prediction. We perform thorough experiments, and results indicate that our model outperforms previous best models significantly on 3D multimodality isointense infant brain MR image segmentation.

研究动机与目标

• 解决在6–8个月龄的等信号强度阶段（此时GM与WM信号强度相近）进行婴儿脑MR图像分割的挑战。
• 克服现有深度学习模型在有效聚合全局上下文信息方面的局限性。
• 减少U-Net架构中常见的上采样操作导致的信息损失。
• 设计一种灵活的全局聚合模块，以实现3D医学图像分割中高效全局特征融合。
• 在多模态3D等信号强度婴儿脑MR图像上，实现优于先前最先进方法的分割精度。

提出的方法

• 引入一种全局聚合模块，通过在特征图的空间维度和通道维度上聚合特征，捕捉长距离依赖关系。
• 将全局聚合模块集成到3D U-Net架构中，以增强多尺度下的特征表示能力。
• 设计该模块为即插即用形式，支持灵活集成到现有基于U-Net的模型中。
• 使用3D卷积层和跳跃连接，以保留空间分辨率并减少上采样过程中的信息损失。
• 采用多模态MR图像（如T1、T2、PD）进行端到端训练，以提升等信号区域的组织区分能力。
• 在全局聚合模块内引入空间与通道注意力机制，聚焦于相关特征。

实验结果

研究问题

• RQ1 通过增强长距离特征建模能力，全局聚合模块是否能提升3D多模态等信号强度婴儿脑MR图像的分割精度？
• RQ2 与标准U-Net跳跃连接相比，所提出的全局聚合模块在上采样过程中保留上下文信息的能力如何？
• RQ3 在GM与WM信号强度几乎相同时，全局上下文信息的整合在多大程度上提升了组织区分能力？
• RQ4 所提出的模型是否在等信号强度婴儿脑分割基准数据集上优于现有最先进方法？
• RQ5 该全局聚合模块在训练数据有限的多种3D医学图像分割任务中是否具有良好的泛化能力？

主要发现

• 所提出的模型在3D多模态等信号强度婴儿脑MR图像分割任务上，显著优于先前最先进模型。
• 全局聚合模块有效捕捉了长距离依赖关系，改善了GM与WM的组织边界勾勒。
• 通过增强跳跃连接保留高分辨率特征，该模型减少了上采样过程中的信息损失。
• 定量结果表明，与基线模型相比，所有组织类别（CSF、GM、WM）的Dice分数均得到提升。
• 消融实验验证了全局聚合模块在提升分割精度方面的有效性。
• 该模型在不同MRI对比度（T1、T2、PD）下均表现出良好泛化能力，表明对模态变化具有鲁棒性。