[论文解读] 3D Densely Convolutional Networks for Volumetric Segmentation

Toan Duc Bui, Jitae Shin+1 more|arXiv (Cornell University)|Sep 11, 2017

Advanced Neural Network Applications参考文献 2被引用 52

一句话总结

本论文提出一个深度3D密集连接网络（3D-DenseSeg），通过多尺度特征融合和步幅为2的卷积来保持空间信息，在体积脑分割中以更少参数实现更高准确性。

ABSTRACT

In the isointense stage, the accurate volumetric image segmentation is a challenging task due to the low contrast between tissues. In this paper, we propose a novel very deep network architecture based on a densely convolutional network for volumetric brain segmentation. The proposed network architecture provides a dense connection between layers that aims to improve the information flow in the network. By concatenating features map of fine and coarse dense blocks, it allows capturing multi-scale contextual information. Experimental results demonstrate significant advantages of the proposed method over existing methods, in terms of both segmentation accuracy and parameter efficiency in MICCAI grand challenge on 6-month infant brain MRI segmentation.

研究动机与目标

• 解决同质信号（等强度）婴儿脑 MRI 的低组织对比度分割挑战。
• 利用密集连接网络在3D体积分割中改善信息流和梯度流。
• 通过 stride-2 卷积和 bottlenecked DenseNet（DenseNet-BC）设计在减少参数的同时保持空间信息。
• 通过融合来自细密块和粗密块的特征来整合多尺度上下文信息。
• 在 iSeg 6 个月婴儿脑 MRI 分割基准上验证有效性。

提出的方法

• 将 DenseNet 扩展到3D体积分割，构建47层架构（3D-DenseSeg）。
• 用 stride-2 卷积替代池化以保留空间信息并降低参数量。
• 使用 bottleneck 与 压缩（DenseNet-BC）使特征图保持紧凑（增长率 k=16；转换中的 theta=0.5）。
• 构建含四个密集块的下采样路径（每个：BN-ReLU-Conv(1x1x1)-BN-ReLU-Conv(3x3x3) 并带 dropout，用于多尺度特征提取）。
• 在密集块之间应用转换块和 stride-2 卷积以下采样，同时保持空间线索。
• 在上采样路径，在每个密集块之后执行3D上采样，并连接多层特征以获得多尺度上下文。
• 使用1x1x1卷积和softmax对拼接特征进行分类，生成组织概率图。

实验结果

研究问题

• RQ1 与现有的3D分割模型相比，密集连接的3D网络是否能在等强度婴儿 MRI 的体积脑组织分割中取得改善？
• RQ2 融合细密块和粗密块的多尺度特征是否在保持参数高效的同时提高分割准确性？
• RQ3 用 stride-2 卷积替代池化在3D网络中如何影响空间信息保持和分割性能？
• RQ4 DenseNet-BC Bottlenecks 在减少3D分割任务参数方面有哪些好处？
• RQ5 在 iSeg 6 个月婴儿脑 MRI分割基准上，与最先进方法相比，所提出方法的表现如何？

主要发现

• 3D-DenseSeg 架构在47层、参数量1.55M 的情况下，在验证集上精度超过 3D-Unet 和 DenseVoxNet（DSC：92.50 vs 89.57 和 85.46）。
• 在 iSeg 数据集上，该方法达到最先进的性能，在报道的验证结果中拥有比竞争方法更高的 DSC 分数。
• 带有密集连接的深度网络通过连接细密块和粗密块来实现信息流和多尺度上下文捕获的改进。
• 用 stride-2 卷积替代池化在略微增加参数的情况下保留空间信息并带来性能提升。
• DenseNet-BC 设计在使网络非常深的同时减少参数数量，有助于提升准确性和效率。