[论文解读] Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT

Yulei Qin, Hao Zheng+7 more|arXiv (Cornell University)|Dec 10, 2020

Lung Cancer Diagnosis and Treatment参考文献 3被引用 6

一句话总结

本文提出了一种管状结构敏感的CNN框架，用于在非增强CT扫描中精确分割肺部气道、动脉和静脉。通过整合特征重校准模块、注意力蒸馏和解剖感知图，该方法在保持整体高精度的同时，显著提升了对细小外周血管的敏感性，在检测小支气管和小静脉方面显著优于当前最先进方法。

ABSTRACT

Training convolutional neural networks (CNNs) for segmentation of pulmonary airway, artery, and vein is challenging due to sparse supervisory signals caused by the severe class imbalance between tubular targets and background. We present a CNNs-based method for accurate airway and artery-vein segmentation in non-contrast computed tomography. It enjoys superior sensitivity to tenuous peripheral bronchioles, arterioles, and venules. The method first uses a feature recalibration module to make the best use of features learned from the neural networks. Spatial information of features is properly integrated to retain relative priority of activated regions, which benefits the subsequent channel-wise recalibration. Then, attention distillation module is introduced to reinforce representation learning of tubular objects. Fine-grained details in high-resolution attention maps are passing down from one layer to its previous layer recursively to enrich context. Anatomy prior of lung context map and distance transform map is designed and incorporated for better artery-vein differentiation capacity. Extensive experiments demonstrated considerable performance gains brought by these components. Compared with state-of-the-art methods, our method extracted much more branches while maintaining competitive overall segmentation performance. Codes and models are available at http://www.pami.sjtu.edu.cn/News/56

研究动机与目标

• 解决由于监督信号稀疏和类别不平衡，导致在CT成像中分割细小管状肺部结构（如支气管和小静脉）的挑战。
• 在不损害整体分割性能的前提下，提升对外周气道和血管的敏感性。
• 通过新颖的网络结构组件，克服标准CNN在捕捉细粒度管状拓扑结构和上下文信息方面的局限性。
• 实现在非增强CT中准确区分动脉与静脉，减少对对比剂的依赖以及诊断中的假阳性结果。
• 设计并验证可增强3D医学影像中细小、低对比度管状结构表征学习的组件。

提出的方法

• 提出一种特征重校准模块，先整合空间上下文信息，再进行通道级重校准，从而保留激活区域的优先级。
• 采用注意力蒸馏模块，将深层特征中的高分辨率注意力图递归地传播至浅层，以增强对管状结构的上下文表征。
• 引入肺部上下文图和距离变换图作为解剖先验，以提升非增强扫描中动脉与静脉的区分能力。
• 使用体素坐标图作为位置嵌入，以保留空间关系，尤其在上下文信息有限的动脉-静脉分割任务中具有优势。
• 采用混合损失函数，结合交叉熵分割损失和注意力蒸馏损失，其中超参数α用于控制两类任务之间的平衡。
• 对注意力图应用p次幂归一化（p=2），以增强管状目标与背景之间的对比度，避免对粗大结构的过度强调。

Figure 1: Overview of the proposed method for pulmonary airway and artery-vein segmentation. Instance normalization and ReLU activation are performed after each convolution layer except the last one. The number of convolution kernels is denoted above each layer.

实验结果

研究问题

• RQ1 注意力蒸馏与特征重校准是否能提升3D CT分割中对细小、外周气道和血管的敏感性？
• RQ2 在非增强CT中，引入解剖先验（肺部上下文图与距离变换图）对动脉-静脉分离有何影响？
• RQ3 体素坐标图对分割性能的影响如何，特别是在上下文信息有限的场景下？
• RQ4 等距重采样是否会降低模型性能，是否对管状结构敏感的分割任务是必要的？
• RQ5 最优超参数设置（α与p）应如何平衡注意力蒸馏与分割损失，以实现最佳性能？

主要发现

• 所提方法在检测细小外周分支方面取得显著提升，提取的支气管和小静脉数量均超过当前最先进方法，同时保持了具有竞争力的整体Dice相似系数（DSC）和真阳性率（TPR）。
• 当采用p=2与α=0.1时，注意力蒸馏取得最佳平衡；α或p的偏离均导致DSC、TPR、BD（支气管检测）与TD（静脉检测）的性能明显下降。
• 引入体素坐标图显著提升了动脉-静脉分割性能，尤其在上下文信息有限的图像块中表现更优，但对气道分割影响较小。
• 等距重采样导致基线模型与所提模型的性能均下降，原因在于插值后的CT图像与标签之间出现错位，表明应避免使用该方法。
• 解剖先验（距离变换图与肺部上下文图）增强了动脉与静脉的区分能力，减少了静脉区域的假阳性结果。
• 消融实验证实，辅助血管分割头与坐标图对最终性能有显著贡献，尤其在复杂外周区域表现突出。

Figure 2: Illustration of the mapping $\mathcal{Z}(\cdot)$ for feature recalibration. Its input is the activated feature $A_{m}$ of the $m$ -th convolution layer. First, spatial map that highlights important regions is integrated through $\mathcal{Z}_{spatial}(\cdot)$ along three axes of depth, heig