[论文解读] Probability Map Guided Bi-directional Recurrent UNet for Pancreas Segmentation.

Jun Li, Xiaozhu Lin+3 more|arXiv (Cornell University)|Mar 3, 2019

Advanced Neural Network Applications被引用 19

一句话总结

该论文提出PBR-UNet，一种基于概率图引导的双向循环U-Net，用于胰腺分割。该方法将切片内特征与切片间概率图融合，形成一种2.5D混合正则化方案，实现高效3D上下文建模并降低计算成本；通过利用双向循环优化，提升了空间上下文利用效率，在NIH胰腺-CT数据集上实现了最先进性能。

ABSTRACT

Pancreas segmentation in medical imaging data is of great significance for clinical pancreas diagnostics and treatment. However, the large population variations in the pancreas shape and volume cause enormous segmentation difficulties, even for state-of-the-art algorithms utilizing fully-convolutional neural networks (FCNs). Specifically, pancreas segmentation suffers from the loss of spatial information in 2D methods, and the high computational cost of 3D methods. To alleviate these problems, we propose a probabilistic-map-guided bi-directional recurrent UNet (PBR-UNet) architecture, which fuses intra-slice information and inter-slice probabilistic maps into a local 3D hybrid regularization scheme, which is followed by bi-directional recurrent network optimization. The PBR-UNet method consists of an initial estimation module for efficiently extracting pixel-level probabilistic maps and a primary segmentation module for propagating hybrid information through a 2.5D U-Net architecture. Specifically, local 3D information is inferred by combining an input image with the probabilistic maps of the adjacent slices into multichannel hybrid data, and then hierarchically aggregating the hybrid information of the entire segmentation network. Besides, a bi-directional recurrent optimization mechanism is developed to update the hybrid information in both the forward and the backward directions. This allows the proposed network to make full and optimal use of the local context information. Quantitative and qualitative evaluation was performed on the NIH Pancreas-CT dataset, and our proposed PBR-UNet method achieved better segmentation results with less computational cost compared to other state-of-the-art methods.

研究动机与目标

• 为解决个体间胰腺形状与体积高度可变的问题，该问题在医学影像中阻碍了准确分割。
• 克服2D分割方法中空间上下文信息的丢失以及3D方法中计算成本过高的问题。
• 开发一种轻量化但高效的网络架构，通过概率图与循环建模高效捕捉3D上下文信息。
• 通过在U-Net框架内采用混合2.5D表示，融合多切片信息，提升分割精度。

提出的方法

• 该方法引入一个初始估计模块，为每一切片生成像素级概率图，以捕捉胰腺存在的可能性。
• 主分割模块采用2.5D U-Net架构，将输入切片与相邻概率图融合为多通道混合数据，以增强3D特征学习能力。
• 通过融合当前切片与邻近切片的概率图，推断局部3D信息，实现空间上下文的分层聚合。
• 应用双向循环网络，沿正向与反向方向优化混合特征，提升特征精炼与上下文传播能力。
• 混合正则化方案整合了切片内特征与切片间概率图，以保持空间连续性并减少噪声。
• 网络采用标准分割损失进行端到端训练，优化重点聚焦于上下文感知的特征精炼。

实验结果

研究问题

• RQ1 2.5D混合表示能否在降低计算成本的同时，有效建模胰腺分割中的3D空间上下文？
• RQ2 与标准U-Net变体相比，引入双向循环优化是否能提升特征表示与分割精度？
• RQ3 利用邻近切片的概率图是否能在不使用完整3D卷积的情况下，增强局部3D特征学习？
• RQ4 与当前最先进2D和3D方法相比，所提出的PBR-UNet在分割精度与推理效率方面表现如何？

主要发现

• PBR-UNet在NIH胰腺-CT数据集上的分割性能优于现有最先进方法。
• 该方法在保持或提升分割精度的同时，显著降低了计算成本，优于3D U-Net与2D FCN-based方法。
• 将邻近切片的概率图整合进2.5D框架，显著增强了局部3D上下文建模能力。
• 双向循环优化机制提升了特征精炼效果，使边界预测更加一致与准确。
• 所提架构在保持极低推理开销的同时实现了高Dice分数，表明其在效率与精度之间具有优异的平衡。