[论文解读] Hierarchical Convolutional-Deconvolutional Neural Networks for Automatic Liver and Tumor Segmentation

Yading Yuan|arXiv (Cornell University)|Oct 12, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 16被引用 77

一句话总结

本文提出一种分层的、全自动的框架（基于 CDNN）用于 LiTS CT 扫描中的肝脏和肝肿瘤分割，具有粗到细的肝脏定位、细化的肝脏分割，以及以增强的肝区域作为输入的肿瘤分割。

ABSTRACT

Automatic segmentation of liver and its tumors is an essential step for extracting quantitative imaging biomarkers for accurate tumor detection, diagnosis, prognosis and assessment of tumor response to treatment. MICCAI 2017 Liver Tumor Segmentation Challenge (LiTS) provides a common platform for comparing different automatic algorithms on contrast-enhanced abdominal CT images in tasks including 1) liver segmentation, 2) liver tumor segmentation, and 3) tumor burden estimation. We participate this challenge by developing a hierarchical framework based on deep fully convolutional-deconvolutional neural networks (CDNN). A simple CDNN model is firstly trained to provide a quick but coarse segmentation of the liver on the entire CT volume, then another CDNN is applied to the liver region for fine liver segmentation. At last, the segmented liver region, which is enhanced by histogram equalization, is employed as an additional input to the third CDNN for tumor segmentation. Jaccard distance is used as loss function when training CDNN models to eliminate the need of sample re-weighting. Our framework is trained using the 130 challenge training cases provided by LiTS. The evaluation on the 70 challenge testing cases resulted in a mean Dice Similarity Coefficient (DSC) of 0.963 for liver segmentation, a mean DSC of 0.657 for tumor segmentation, and a root mean square error (RMSE) of 0.017 for tumor burden estimation, which ranked our method in the first, fifth and third place, respectively

研究动机与目标

• 推动自动、鲁棒的肝脏与肿瘤分割，以支持定量成像生物标志物。
• 开发一个分层的 CDNN 模型框架，实现粗略肝定位、精细肝分割和肿瘤分割。
• 通过聚焦网络架构与学习策略，避免大量的预处理和后处理。
• 利用 LiTS 数据集来训练和验证所提出的基于 CDNN 的管线。

提出的方法

• 使用一个三步分层 CDNN 框架：首先在整个体积上进行粗略肝定位的 CDNN(I)；随后在肝 VOI 内进行精细肝分割的 CDNN(II)；最后使用增强的肝区域作为额外输入通道的肿瘤分割 CDNN(II)。
• 采用具有两个路径（卷积和反卷积）的全卷积-反卷积网络，以及一种反卷积致密化方法以恢复全分辨率的映射。
• 使用 Jaccard 距离损失进行训练，以直接优化分割质量并在不重新加权的情况下处理类别不平衡，采用 Adam 优化。
• 为正则化引入两个 dropout 层，并采用两种数据增强策略（几何变换和对比度归一化）以提高鲁棒性。
• 由于 2D 实现约束，逐切片处理 CT 数据，使用相邻切片作为额外输入通道，并进行直方图均衡化以增强肿瘤输入。

实验结果

研究问题

• RQ1 一个分层、全自动的 CDNN 基线管线是否能够在多样化的 LiTS CT 扫描上实现高精度的肝脏与肿瘤分割？
• RQ2 顺序的粗略定位、精细分割和带增强肝输入的肿瘤分割是否比单阶段方法提升性能？
• RQ3 在本任务中，Jaccard 距离损失是否在不进行样本重新加权的情况下优于传统的交叉熘？
• RQ4 以相邻切片通道进行 2D 切片处理对分割性能和计算效率有何影响？

主要发现

• 肝脏分割在 LiTS 测试 case 上的平均 Dice 相似系数 (DSC) 达到 0.963。
• 肝肿瘤分割在 LiTS 测试 case 上的平均 DSC 达到 0.657。
• 肿瘤负担估计在 LiTS 测试 case 上的 RMSE 为 0.017。
• 该方法在 LiTS 挑战赛结果中，肝脏分割排名第一，肿瘤分割排名第五，肿瘤负担估计排名第三。
• 所提出的分层 CDNN 框架对预处理和后处理的依赖极少，且可端到端训练。