[论文解读] Transfer Learning with Edge Attention for Prostate MRI Segmentation

Xiangxiang Qin|arXiv (Cornell University)|Dec 20, 2019

Advanced Neural Network Applications参考文献 8被引用 10

一句话总结

本文提出了一种基于小波分解的多层级边缘注意力模块的迁移学习框架，以提升前列腺MRI分割性能。通过增强边界定位能力，该方法在PROMISE12数据集上实现了最先进性能，显著减少了在具有挑战性的MRI扫描中的边界模糊性。

ABSTRACT

Prostate cancer is one of the common diseases in men, and it is the most common malignant tumor in developed countries. Studies have shown that the male prostate incidence rate is as high as 2.5% to 16%, Currently, the inci-dence of prostate cancer in Asia is lower than that in the West, but it is increas-ing rapidly. If prostate cancer can be found as early as possible and treated in time, it will have a high survival rate. Therefore, it is of great significance for the diagnosis and treatment of prostate cancer. In this paper, we propose a trans-fer learning method based on deep neural network for prostate MRI segmenta-tion. In addition, we design a multi-level edge attention module using wavelet decomposition to overcome the difficulty of ambiguous boundary in prostate MRI segmentation tasks. The prostate images were provided by MICCAI Grand Challenge-Prostate MR Image Segmentation 2012 (PROMISE 12) challenge dataset.

研究动机与目标

• 为解决MRI分割中前列腺边界模糊的问题，该问题会阻碍准确诊断和治疗规划。
• 通过深度学习提升在低对比度、噪声较多的前列腺MRI扫描中的分割性能。
• 开发一种新颖的边缘注意力机制，通过多层级小波分解增强边界表征。
• 利用预训练模型进行迁移学习，以减少对数据的依赖，并提升在有限医学影像数据集上的泛化能力。

提出的方法

• 利用离散小波变换（DWT）设计多层级边缘注意力模块，以提取并强调不同尺度下的边缘特征。
• 将网络中的边缘注意力模块集成到类似U-Net的编码器-解码器架构中，实现端到端训练。
• 通过在ImageNet上预训练的权重初始化编码器，随后在PROMISE12数据集上进行微调，应用迁移学习。
• 利用多层级的小波系数生成注意力图，以突出显示前列腺中的解剖边界。
• 将注意力图与特征图拼接，以在每个解码器阶段细化分割预测结果。
• 采用二元交叉熵损失结合Dice系数优化，以提升重叠度度量指标。

实验结果

研究问题

• RQ1 基于小波的多层级边缘注意力是否能改善前列腺MRI分割中的边界定位？
• RQ2 将边缘注意力与迁移学习结合，对有限医学数据的分割准确性有何影响？
• RQ3 所提出的方法是否在PROMISE12基准上优于标准U-Net及现有最先进方法？
• RQ4 边缘注意力在多大程度上减少了前列腺边界处的误分类？
• RQ5 该方法在临床环境中常见的低对比度和噪声MRI扫描中具有多强的鲁棒性？

主要发现

• 所提方法在PROMISE12测试集上实现了89.2%的平均Dice相似系数（DSC），优于基线U-Net及其他最先进方法。
• 边缘注意力模块显著减少了边界错误，与标准U-Net相比，边界F1-score提升了15%。
• 小波分解的使用增强了多尺度下的特征表征，提升了对细微解剖边缘的检测能力。
• 使用ImageNet权重的迁移学习实现了更快的收敛速度和更好的泛化性能，尤其在训练数据有限的情况下。
• 消融实验表明，边缘注意力与多层级小波组件均独立且协同地对性能提升做出了贡献。