[论文解读] Organ at Risk Segmentation in Head and Neck CT Images by Using a Two-Stage Segmentation Framework Based on 3D U-Net

Yueyue Wang, Liang Zhao+2 more|arXiv (Cornell University)|Aug 25, 2018

Advanced Neural Network Applications参考文献 28被引用 6

一句话总结

该论文提出了一种两阶段3D U-Net框架，用于头颈部CT扫描中的危及器官（OAR）分割，将任务分解为边界框定位和框内精确分割两个步骤。该方法在MICCAI 2015数据集上实现了最先进性能，在九个OAR中的八个上95HD指标排名第一，在所有九个OAR的Dice相似度系数上排名第一或第二。

ABSTRACT

Accurate segmentation of organ at risk (OAR) play a critical role in the treatment planning of image guided radiation treatment of head and neck cancer. This segmentation task is challenging for both human and automatic algorithms because of the relatively large number of OARs to be segmented, the large variability of the size and morphology across different OARs, and the low contrast of between some OARs and the background. In this paper, we proposed a two-stage segmentation framework based on 3D U-Net. In this framework, the segmentation of each OAR is decomposed into two sub-tasks: locating a bounding box of the OAR and segment it from a small volume within the bounding box, and each sub-tasks is fulfilled by a dedicated 3D U-Net. The decomposition makes each of the two sub-tasks much easier, so that they can be better completed. We evaluated the proposed method and compared it to state-of-the-art methods by using the MICCAI 2015 Challenge dataset. In terms of the boundary-based metric 95HD, the proposed method ranked first in eight of all nine OARs and ranked second in the other OAR. In terms of the area-based metric DSC, the proposed method ranked first in six of the nine OARs and ranked second in the other three OARs with small difference with the first one.

研究动机与目标

• 为解决由于高解剖可变性和低组织对比度导致的头颈部CT图像中危及器官（OAR）分割的准确性挑战。
• 在单个体积中提升多种具有不同尺寸和形态的OAR的分割性能。
• 通过将分割任务分解为两个可管理的子任务（定位和细粒度分割）来降低复杂度。
• 在专用3D U-Net用于每个子任务的前提下，实现在MICCAI 2015挑战数据集上的最先进性能。

提出的方法

• 该方法采用两阶段框架：首先，使用3D U-Net预测器官周围的边界框，实现对目标器官的定位。
• 其次，另一个独立的3D U-Net在由边界框定义的局部区域内执行精确分割。
• 每个阶段均使用专用的3D U-Net架构，使模型能够专注于分割任务的不同方面。
• 通过将第二阶段的输入限制在OAR周围的小而相关的区域，降低了其输入复杂度。
• 模型采用交叉熵损失进行端到端训练，并通过随机梯度下降进行优化。
• 推理过程首先预测边界框，然后裁剪体积，并应用第二个网络进行分割。

实验结果

研究问题

• RQ1 与单阶段方法相比，两阶段3D U-Net框架是否能提升头颈部CT扫描中危及器官分割的准确性？
• RQ2 将分割任务分解为定位和细粒度分割两个阶段，是否能提升在形态可变性高的OAR上的性能？
• RQ3 在边界和面积度量指标方面，该方法与最先进方法相比表现如何？
• RQ4 该框架是否能在低组织对比度和不规则形状的OAR上保持高性能？

主要发现

• 在MICCAI 2015数据集上，该方法在九个OAR中的八个上实现了95%分位数 Hausdorff 距离（95HD）指标的最佳表现。
• 在Dice相似度系数（DSC）方面，该方法在九个OAR中的六个排名第一，其余三个排名第二，性能差距极小。
• 两阶段设计通过显著降低第二阶段的分割任务复杂度，显著提升了分割精度。
• 该方法在不同尺寸、形状以及低对比度边界OAR上表现出鲁棒性。
• 结果证实，通过边界框预测实现的定位感知精炼，能有效提升复杂解剖区域的分割精度。