[论文解读] 2D-Densely Connected Convolution Neural Networks for automatic Liver and Tumor Segmentation
本文提出一种基于两阶段级联 DenseNet 的框架，用于 CT 图像中的肝脏及其肿瘤的自动分割，在测试集上肝脏 dice 为 0.923，肿瘤 dice 为 0.625。它利用肝脏定位来引导肝脏区域内的肿瘤分割，并采用加权损失和后处理来提高边界精度。
In this paper we propose a fully automatic 2-stage cascaded approach for segmentation of liver and its tumors in CT (Computed Tomography) images using densely connected fully convolutional neural network (DenseNet). We independently train liver and tumor segmentation models and cascade them for a combined segmentation of the liver and its tumor. The first stage involves segmentation of liver and the second stage uses the first stage's segmentation results for localization of liver and henceforth tumor segmentations inside liver region. The liver model was trained on the down-sampled axial slices $(256 imes 256)$, whereas for the tumor model no down-sampling of slices was done, but instead it was trained on the CT axial slices windowed at three different Hounsfield (HU) levels. On the test set our model achieved a global dice score of 0.923 and 0.625 on liver and tumor respectively. The computed tumor burden had an rmse of 0.044.
研究动机与目标
- 开发一种自动从 CT 体积中分割肝脏及其肿瘤的方法。
- 利用一个两阶段级联方法，其中肝脏分割定位肿瘤分割区域。
- 使用密集连接的全卷积网络以在数据有限的情况下增强特征复用。
提出的方法
- 采用两阶段级联框架：先分割肝脏，然后在肝脏区域内分割肿瘤。
- 使用基于 DenseNet 的 FCN 块，具有 4 层密集块和用于下采样与上采样的过渡层。
- 在下采样到 256×256 的轴向切片上训练肝脏模型；在全尺寸切片上训练肿瘤模型，以三种不同的 HU 窗宽作为输入。
- 使用带边缘权重图的空间加权交叉熵损失来提高肝脏轮廓的准确性；对肿瘤使用包含 dice 损失的混合损失。
- 对肝脏预测应用后处理（腐蚀、最大连通组件、膨胀）以降低假阳性。
实验结果
研究问题
- RQ1是否可以使用基于 DenseNet 的级联 FCN，通过逐阶段定位，准确分割 CT 数据中的肝脏和肿瘤？
- RQ2相比于单通道输入，多窗 HU 输入是否提高了肿瘤边界学习？
- RQ3哪种损失形式最適合处理肝脏和肿瘤分割中的类别不平衡和边界精度？
- RQ4哪些后处理步骤能在肝脏分割中最好地降低假阳性？
- RQ5所提出的方法在 LITS MICCAI-2017 数据集上的表现如何？
主要发现
- 肝脏分割在 14 个测试体积集上的平均 Dice 分数为 0.923。
- 同一测试集上肿瘤分割的平均 Dice 分数为 0.625。
- 肿瘤负荷估计在测试集上的 RMSE 为 0.044。
- 所提出的两阶段级联、以肝脏为引导的肿瘤定位，在肝脏区域内提高了分割。
- 对于肿瘤使用 3 通道 HU 窗宽输入，相较于单通道方法改善了边界学习。
- 带空间加权的交叉熵结合 dice 损失比单独的交叉熵提供了更好的重叠度。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。