[论文解读] NeRD: Neural Representation of Distribution for Medical Image Segmentation

Hang Zhang, Rongguang Wang+6 more|arXiv (Cornell University)|Mar 6, 2021

Medical Image Segmentation Techniques参考文献 32被引用 6

一句话总结

NeRD 引入了一种神经特征分布表示方法，通过建模医学图像分割中空间可变的特征分布，缓解了填充和池化操作带来的性能下降问题。通过利用隐函数学习坐标到分布的映射，NeRD 在白质病变和左心房分割任务中提升了分割精度，仅通过极少的架构修改即实现了与更大网络相当的性能。

ABSTRACT

We introduce Neural Representation of Distribution (NeRD) technique, a module for convolutional neural networks (CNNs) that can estimate the feature distribution by optimizing an underlying function mapping image coordinates to the feature distribution. Using NeRD, we propose an end-to-end deep learning model for medical image segmentation that can compensate the negative impact of feature distribution shifting issue caused by commonly used network operations such as padding and pooling. An implicit function is used to represent the parameter space of the feature distribution by querying the image coordinate. With NeRD, the impact of issues such as over-segmenting and missing have been reduced, and experimental results on the challenging white matter lesion segmentation and left atrial segmentation verify the effectiveness of the proposed method. The code is available via https://github.com/tinymilky/NeRD.

研究动机与目标

• 解决 U-Net 在图像边界和脑室附近分割病灶时因特征分布偏移而失效的问题。
• 缓解填充和池化等常见操作对卷积神经网络中空间不变性造成的破坏性影响。
• 开发一种统一的、端到端的深度学习框架，基于空间坐标估计特征分布。
• 在对医学图像分割中具有挑战性的任务上，通过极少的架构修改提升分割性能。

提出的方法

• NeRD 使用隐函数对每个空间位置的特征分布进行建模，该函数将图像坐标映射为分布参数。
• 将分布参数 θ 表征为空间坐标 v 的可学习函数 f(v)，从而恢复空间不变性。
• 提出两种变体：NeRDm 估计特征分布的均值和方差，而 NeRDc 预测像素级线性分类器。
• 该方法可无缝集成到类似 U-Net 的架构中，无需修改主干网络，支持端到端训练。
• 通过神经网络回归优化隐函数，学习纠正网络操作引起的分布偏移。
• 该方法隐式捕捉空间上下文和分布偏移，提升了边界区域和中心区域的鲁棒性。

实验结果

研究问题

• RQ1 可学习的特征分布表示能否提升医学图像中，尤其是图像边界和脑室附近区域的分割精度？
• RQ2 NeRD 在多大程度上能缓解填充和池化对 CNN 中特征分布的负面影响？
• RQ3 NeRD 是否能使小型网络在医学图像分割任务中达到或超越大型网络的性能？
• RQ4 与现有方法相比，NeRD 在处理过度分割和漏诊病灶方面表现如何？

主要发现

• 在低容量主干网络（256 个滤波器）下，NeRDc 的 Dice 分数达到 0.885，与高容量 U-Net（512 个滤波器）在白质病变分割任务中的性能相当。
• 在低容量设置下，与标准 U-Net 相比，NeRDc 将假阳性率（LFPR）降低了 3%，Dice 分数提升了 2.8%。
• 在左心房分割任务中，使用 256 个滤波器主干的 NeRDc 表现优于使用 512 个滤波器的 U-Net，将 Hausdorff 距离（HD）降低了 3.7 mm，Dice 分数提升了 0.4%。
• 在 LA 分割任务中，NeRDm 相较于 U-Net 实现了 4.5 mm 的 HD 降低和更低的方差，表现出更强的鲁棒性。
• 两种 NeRD 变体均减少了图像中心区域的过度分割和脑室附近区域的漏诊病灶，定性对比结果清晰显示了这一点。
• 该方法在 WMH 和 LA 分割任务上均达到了最先进性能，且在各类指标和网络容量下均表现出一致的性能提升。