[论文解读] Splenomegaly Segmentation using Global Convolutional Kernels and Conditional Generative Adversarial Networks

Yuankai Huo, Zhoubing Xu+8 more|arXiv (Cornell University)|Dec 2, 2017

Advanced X-ray and CT Imaging参考文献 13被引用 8

一句话总结

本文提出了一种脾脏分割网络（SSNet），一种基于条件生成对抗网络（cGAN）的模型，其生成器采用全局卷积网络（GCN），判别器采用PatchGAN，旨在改善因脾脏大小和形态极端变异而带来的MRI扫描中脾脏分割问题。该方法在独立测试的脾肿大病例中实现了0.9260的平均Dice系数，显著降低了假阳性和假阴性率。

ABSTRACT

Spleen volume estimation using automated image segmentation technique may be used to detect splenomegaly (abnormally enlarged spleen) on Magnetic Resonance Imaging (MRI) scans. In recent years, Deep Convolutional Neural Networks (DCNN) segmentation methods have demonstrated advantages for abdominal organ segmentation. However, variations in both size and shape of the spleen on MRI images may result in large false positive and false negative labeling when deploying DCNN based methods. In this paper, we propose the Splenomegaly Segmentation Network (SSNet) to address spatial variations when segmenting extraordinarily large spleens. SSNet was designed based on the framework of image-to-image conditional generative adversarial networks (cGAN). Specifically, the Global Convolutional Network (GCN) was used as the generator to reduce false negatives, while the Markovian discriminator (PatchGAN) was used to alleviate false positives. A cohort of clinically acquired 3D MRI scans (both T1 weighted and T2 weighted) from patients with splenomegaly were used to train and test the networks. The experimental results demonstrated that a mean Dice coefficient of 0.9260 and a median Dice coefficient of 0.9262 using SSNet on independently tested MRI volumes of patients with splenomegaly.

研究动机与目标

• 解决因脾脏大小和形态极端变异导致的MRI扫描中脾脏分割假阳性率和假阴性率过高的问题。
• 利用深度学习改进自动脾脏体积估算，以检测脾肿大。
• 为临床获取的3D T1-和T2加权MRI扫描（伴有脾脏增大）开发一种鲁棒的分割框架。
• 利用具有专用组件的条件生成对抗网络，提升复杂解剖结构病例中的分割准确性。

提出的方法

• SSNet框架基于条件生成对抗网络（cGAN）架构，通过生成器和判别器共同优化分割预测结果。
• 生成器采用全局卷积网络（GCN）以捕捉长距离上下文特征，并减少大脾脏中的假阴性预测。
• 判别器采用PatchGAN架构，以强化局部图像的真实性，抑制假阳性预测。
• 网络在包含T1-和T2加权序列的脾肿大患者3D MRI扫描队列上进行端到端训练。
• 损失函数经过优化，以平衡分割准确性和感知质量，其中生成器最小化重建误差，判别器区分真实与生成的分割输出。
• 训练采用对抗损失与L1损失相结合的方式，以稳定训练过程并提升泛化能力。

实验结果

研究问题

• RQ1 基于cGAN的框架结合GCN生成器，能否有效降低MRI中异常增大脾脏的假阴性分割率？
• RQ2 PatchGAN判别器在脾脏分割中如何减少假阳性预测？
• RQ3 通过GCN实现的全局上下文建模，在脾脏大小和形态极端变异的病例中，对分割准确性的提升程度如何？
• RQ4 所提出的SSNet是否在临床获取的3D MRI扫描（伴有脾肿大）中优于标准的DCNN分割模型？

主要发现

• SSNet在独立测试的脾肿大患者MRI图像上实现了0.9260的平均Dice系数。
• 测试集中Dice系数的中位数为0.9262，表明分割性能具有高度一致性。
• GCN生成器的使用显著降低了假阴性率，尤其在脾脏极度增大的病例中表现突出。
• PatchGAN判别器有效抑制了假阳性预测，提升了定位准确性。
• 该模型在临床队列的T1加权和T2加权MRI序列中均表现出稳健性能。
• 结果表明，将全局上下文建模与对抗训练相结合，可显著提升复杂腹部影像场景下的分割可靠性。