[论文解读] 3D convolutional neural network for abdominal aortic aneurysm segmentation

Karen López‐Linares, I. García+3 more|arXiv (Cornell University)|Mar 3, 2019

Aortic aneurysm repair treatments参考文献 21被引用 14

一句话总结

本文提出一种用于术前和术后CTA扫描中自动分割腹主动脉瘤（AAA）的3D卷积神经网络（CNN），通过多尺度特征融合和加权Dice损失提升精度。该方法实现平均直径误差3.3 mm，Dice分数87%，优于2D方法，可实现临床相关的、客观的动脉瘤生长和体积测量，用于破裂风险评估。

ABSTRACT

An abdominal aortic aneurysm (AAA) is a focal dilation of the aorta that, if not treated, tends to grow and may rupture. A significant unmet need in the assessment of AAA disease, for the diagnosis, prognosis and follow-up, is the determination of rupture risk, which is currently based on the manual measurement of the aneurysm diameter in a selected Computed Tomography Angiography (CTA) scan. However, there is a lack of standardization determining the degree and rate of disease progression, due to the lack of robust, automated aneurysm segmentation tools that allow quantitatively analyzing the AAA. In this work, we aim at proposing the first 3D convolutional neural network for the segmentation of aneurysms both from preoperative and postoperative CTA scans. We extensively validate its performance in terms of diameter measurements, to test its applicability in the clinical practice, as well as regarding the relative volume difference, and Dice and Jaccard scores. The proposed method yields a mean diameter measurement error of 3.3 mm, a relative volume difference of 8.58 %, and Dice and Jaccard scores of 87 % and 77 %, respectively. At a clinical level, an aneurysm enlargement of 10 mm is considered relevant, thus, our method is suitable to automatically determine the AAA diameter and opens up the opportunity for more complex aneurysm analysis.

研究动机与目标

• 为解决临床中对标准化、自动化AAA分割的未满足需求，以改善破裂风险评估。
• 开发一种鲁棒的非参数化3D深度学习模型，适用于来自不同厂商的术前和术后CTA扫描。
• 实现对动脉瘤直径和体积的精确、可重复测量——这是破裂风险的关键预测因子——超越传统的手动2D切片方法。
• 克服基于强度和形状约束的分割方法存在的渗漏问题及对初始轮廓的高依赖性。
• 为复杂动脉瘤几何分析（包括体积变化和生长速率）提供基础，这对EVAR随访至关重要。

提出的方法

• 该方法采用全局嵌套边缘检测网络的3D扩展，通过融合多尺度层级的特征图，增强边界和整体形状检测能力。
• 采用新颖的加权Dice损失函数进行优化，提升在小动脉瘤区域占比的不平衡数据上的性能。
• 网络在80个术前和术后CTA数据集上端到端训练，无需预先分割血管腔或中心线。
• 利用多尺度特征：低层特征用于精细边缘检测，高层特征用于全局定位和光滑轮廓预测。
• 模型设计为非参数化，对强度变化具有鲁棒性，避免依赖形状先验或手动初始化。
• 直接处理3D体素CTA数据，避免逐2D切片处理或依赖中心线等中间结构。

实验结果

研究问题

• RQ1 基于3D CNN的方法是否能在术前和术后CTA扫描中均优于2D方法进行腹主动脉瘤分割？
• RQ2 与手动评估相比，所提出的3D CNN在直径测量误差方面改善程度如何，特别是在10 mm以下临床相关阈值内？
• RQ3 该模型在测量动脉瘤体积变化方面表现如何？体积变化是比直径本身更敏感的破裂风险预测因子。
• RQ4 该方法是否能在无需预先分割血管腔或中心线的情况下实现鲁棒分割，从而提升自动化水平并减少误差传播？
• RQ5 与标准损失函数相比，使用加权Dice损失是否能提升对小或薄血栓区域的分割精度？

主要发现

• 所提出的3D CNN实现平均直径测量误差为3.3 mm，低于临床认为具有重要意义的10 mm阈值。
• 该方法实现Dice相似系数87%和Jaccard分数77%，表明分割精度较高。
• 相对体积差异为8.58%，表明在体积估计方面相比现有方法具有更高精度。
• 在28个测试病例中的25例，直径误差低于5 mm，表明在大多数情况下具有极强的一致性。
• 该模型在Dice分数和体积估计方面均优于其2D对应模型及最先进的方法（如图割法和可变形模型）。
• 该方法在不同CT扫描仪间表现鲁棒，且无需预先分割血管腔或中心线，显著提升临床适用性。