[论文解读] 3-D Convolutional Neural Networks for Glioblastoma Segmentation

Darvin Yi, Mu Zhou+2 more|arXiv (Cornell University)|Nov 14, 2016

Advanced Neural Network Applications参考文献 14被引用 34

一句话总结

本文提出一种用于多模态MRI数据中胶质母细胞瘤分割的3D全卷积神经网络（CNN），通过预定义的3D高斯差分（DoG）滤波器实现真正的3D卷积，以保留空间上下文信息，并利用1×1×1卷积层解耦体素，显著增加有效训练数据规模。该方法在BRATS 2013数据集上实现了89%的中位Dice分数，优于当前最先进方法，并在中等规模医学影像数据集中表现出稳健性能。

ABSTRACT

Convolutional Neural Networks (CNN) have emerged as powerful tools for learning discriminative image features. In this paper, we propose a framework of 3-D fully CNN models for Glioblastoma segmentation from multi-modality MRI data. By generalizing CNN models to true 3-D convolutions in learning 3-D tumor MRI data, the proposed approach utilizes a unique network architecture to decouple image pixels. Specifically, we design a convolutional layer with pre-defined Difference- of-Gaussian (DoG) filters to perform true 3-D convolution incorporating local neighborhood information at each pixel. We then use three trained convolutional layers that act to decouple voxels from the initial 3-D convolution. The proposed framework allows identification of high-level tumor structures on MRI. We evaluate segmentation performance on the BRATS segmentation dataset with 274 tumor samples. Extensive experimental results demonstrate encouraging performance of the proposed approach comparing to the state-of-the-art methods. Our data-driven approach achieves a median Dice score accuracy of 89% in whole tumor glioblastoma segmentation, revealing a generalized low-bias possibility to learn from medium-size MRI datasets.

研究动机与目标

• 解决利用深度学习在多模态MRI数据中实现胶质母细胞瘤精确分割的挑战。
• 通过体素级学习增加有效训练数据规模，减少在小规模医学影像数据集上训练的深度学习模型的高方差。
• 通过真正的3D卷积而非2D或平面3D卷积，引入3D空间上下文信息，提升分割性能。
• 开发一种可将2D CNN架构推广至3D体数据的网络结构，同时保持计算可行性。
• 证明预定义的DoG滤波器可作为3D医学图像分析中有效且不可学习的初始滤波器。

提出的方法

• 该框架采用包含五个卷积层的3D全卷积网络，初始阶段使用72个预定义的3D高斯差分（DoG）滤波器，对4通道MRI输入执行初始真正的3D卷积。
• DoG滤波器具有旋转对称性，可作为斑点检测器，在不学习的情况下捕获每个体素的局部3D邻域信息，从而在小数据集上减少过拟合。
• 后续层使用1×1×1卷积滤波器解耦体素，使网络在像素级别转变为全连接前馈结构。
• 该解耦策略将有效训练数据从患者级样本扩展至体素级样本，降低方差并提升泛化能力。
• 网络采用随机梯度下降进行端到端训练，最后一层输出5个通道，用于将每个体素分类为非肿瘤或四种肿瘤亚区之一。
• 3D卷积通过傅里叶空间高效计算，将时间复杂度从O(m³n³)降低至O(n³ log n)，使大规模3D体数据的实际训练成为可能。

实验结果

研究问题

• RQ1 与2D或平面3D CNN相比，使用不可学习DoG滤波器的3D全卷积网络是否能实现更优的胶质母细胞瘤分割性能？
• RQ2 在小规模医学影像数据集中，使用体素级训练数据而非患者级数据是否能降低方差并提升泛化能力？
• RQ3 预定义的DoG滤波器是否可作为有效的、特定领域的3D医学图像分析初始化方法，优于ImageNet预训练的2D滤波器？
• RQ4 所提出的3D CNN在BRATS基准上与专家放射科医生及最先进方法相比表现如何？
• RQ5 该方法在不同BRATS数据集（2013和2015）上是否保持高性能，表明其鲁棒性与泛化能力？

主要发现

• 所提出的3D CNN在BRATS 2013数据集上对整体肿瘤分割实现了89%的中位Dice分数，显著优于2013年挑战赛最佳方法组合（88%）。
• 在2015年BRATS数据集上，该方法对整体肿瘤的Dice分数为89%（89/87），对核心区域为76%（79/69），对活动肿瘤区域为80%（80/78），表明在不同数据集上均保持一致的高性能。
• 该算法性能与专家放射科医生共识水平相当（整体肿瘤为91%），且在所有三种肿瘤区域均超过2013年挑战赛的单个方法及集成模型表现。
• 第一层使用预定义DoG滤波器显著减少了过拟合与方差，使模型能从仅数百例患者样本的中等规模数据集中有效学习。
• 通过1×1×1卷积实现的体素解耦策略，将有效训练数据规模从约274名患者扩展至超过1000万个体素，显著提升了模型泛化能力。
• 该框架在分割活动肿瘤区域方面表现尤为突出（2015年数据中Dice达80%），而其他方法在此区域表现不佳，凸显其对细微肿瘤特征的敏感性。