[论文解读] Near Real-time Hippocampus Segmentation Using Patch-based Canonical Neural Network

Zhongliu Xie, Duncan Gillies|arXiv (Cornell University)|Jul 15, 2018

Medical Image Segmentation Techniques参考文献 7被引用 7

一句话总结

该论文提出了一种基于图像块的深度神经网络（PatchDNN），利用ReLU激活函数、Dropout正则化以及2.5D三平面多路径输入结构，在脑部MRI上实现了近乎实时的海马体分割。该方法在每幅扫描图像上耗时不足一秒，即可达到90.98%的中位Dice分数，显著优于以往最先进的基于图像块的分割方法和深度学习方法，在速度与准确性方面均表现更优。

ABSTRACT

Over the past decades, state-of-the-art medical image segmentation has heavily rested on signal processing paradigms, most notably registration-based label propagation and pair-wise patch comparison, which are generally slow despite a high segmentation accuracy. In recent years, deep learning has revolutionalized computer vision with many practices outperforming prior art, in particular the convolutional neural network (CNN) studies on image classification. Deep CNN has also started being applied to medical image segmentation lately, but generally involves long training and demanding memory requirements, achieving limited success. We propose a patch-based deep learning framework based on a revisit to the classic neural network model with substantial modernization, including the use of Rectified Linear Unit (ReLU) activation, dropout layers, 2.5D tri-planar patch multi-pathway settings. In a test application to hippocampus segmentation using 100 brain MR images from the ADNI database, our approach significantly outperformed prior art in terms of both segmentation accuracy and speed: scoring a median Dice score up to 90.98% on a near real-time performance (<1s).

研究动机与目标

• 为克服传统基于信号处理的医学图像分割方法（如MALP和PBS）的计算效率低下问题，这些方法依赖于耗时的非刚性配准或成对图像块比较。
• 解决深度卷积神经网络（CNN）在医学图像分割中，尤其是针对逐体素标记的图像块方法，所面临的高内存占用与高训练成本问题。
• 开发一种快速、准确且内存高效的分割框架，用于从T1加权MRI扫描中提取海马体。
• 证明一种现代化的浅层前馈神经网络，结合ReLU、Dropout和2.5D三平面输入结构，可在速度与准确性方面超越复杂的深度CNN模型及先前的PBS方法。

提出的方法

• 该方法采用基于图像块的深度神经网络（PatchDNN），根据局部图像块对每个体素的标签进行分类，将每个图像块视为一幅小型图像。
• 采用修正线性单元（ReLU）激活函数，相比传统激活函数，可加速训练并提升收敛速度。
• 在训练过程中集成Dropout层，以缓解过拟合问题，尤其在医学图像数据量有限的情况下尤为重要。
• 采用2.5D三平面多路径输入结构，同时处理每个3D图像块的轴向、冠状和矢状切片，以极低的计算开销增强特征表示能力。
• 网络在GPU上使用随机梯度下降进行训练，尽管未采用卷积层的权重重用，仍能实现高效的优化。
• 推理阶段在测试时极为高效，可在标准GPU上实现每幅3D MRI体积的分割时间不足一秒。

实验结果

研究问题

• RQ1 基于图像块的医学图像分割任务中，现代化的非卷积前馈神经网络是否能在准确率和速度方面优于传统PBS方法？
• RQ2 ReLU激活函数与Dropout层在数据量有限的基于图像块的医学图像分割任务中，能在多大程度上提升训练效率与泛化能力？
• RQ3 2.5D三平面多路径输入结构是否能提供足够的空间上下文信息，以实现高精度海马体分割，同时保持低内存与计算成本？
• RQ4 在医学图像分割任务中，非CNN深度神经网络架构是否能在推理速度与内存使用方面超越最先进的基于深度CNN的分割模型？

主要发现

• PatchDNN在ADNI数据库的100幅海马体MRI扫描中实现了90.98%的中位Dice分数，显著优于先前最先进的PBS方法（中位Dice分数为86.65%）。
• 该方法实现了接近实时的推理性能，可在标准GPU上实现每幅3D MRI体积的分割时间不足一秒，是迄今报道的最快海马体分割系统。
• PBS基线方法每幅扫描需197至645秒（不包括预处理），表明相比传统PBS框架，速度提升了逾600倍。
• PatchDNN框架中引入ReLU与Dropout显著加快了收敛速度并减少了过拟合，使在有限训练数据下仍能实现高性能。
• 2.5D三平面输入结构在不增加3D卷积网络的内存与计算负担的前提下，提供了强大的空间上下文信息，实现了高效且准确的特征学习。
• PatchDNN框架在各类受试者中均表现出鲁棒性，包括健康对照组、轻度认知障碍患者及阿尔茨海默病患者，且在不同人口学亚组间无显著性能下降。