[论文解读] 3D Dilated Multi-Fiber Network for Real-time Brain Tumor Segmentation in MRI

Chen Chen, Xiaopeng Liu+3 more|arXiv (Cornell University)|Apr 6, 2019

Advanced Neural Network Applications参考文献 17被引用 8

一句话总结

该论文提出了一种轻量级的3D扩张多纤维网络（DMFNet），用于MRI中的实时脑肿瘤分割，通过使用分组3D卷积的多纤维单元和可学习加权3D扩张卷积，高效捕捉多尺度特征。该模型在BraTS-2018数据集上实现了最先进水平的Dice分数（增强肿瘤80.12%，全肿瘤90.62%，肿瘤核心84.54%），参数量仅388万，FLOPs为270亿，可在GPU上实现0.019秒的推理速度。

ABSTRACT

Brain tumor segmentation plays a pivotal role in medical image processing. In this work, we aim to segment brain MRI volumes. 3D convolution neural networks (CNN) such as 3D U-Net and V-Net employing 3D convolutions to capture the correlation between adjacent slices have achieved impressive segmentation results. However, these 3D CNN architectures come with high computational overheads due to multiple layers of 3D convolutions, which may make these models prohibitive for practical large-scale applications. To this end, we propose a highly efficient 3D CNN to achieve real-time dense volumetric segmentation. The network leverages the 3D multi-fiber unit which consists of an ensemble of lightweight 3D convolutional networks to significantly reduce the computational cost. Moreover, 3D dilated convolutions are used to build multi-scale feature representations. Extensive experimental results on the BraTS-2018 challenge dataset show that the proposed architecture greatly reduces computation cost while maintaining high accuracy for brain tumor segmentation. The source code can be found at https://github.com/China-LiuXiaopeng/BraTS-DMFNet

研究动机与目标

• 为解决3D卷积神经网络在体积分割任务中计算成本高的问题，特别是在大规模临床应用中的挑战。
• 通过减少3D卷积网络中的参数量和FLOPs，提升模型效率，同时不牺牲分割精度。
• 通过一种结合分组卷积与多尺度感受野的新架构，实现实时3D MRI分割推理。
• 通过自适应、可学习的加权3D扩张卷积，动态选择多尺度相关上下文，增强特征表示能力。

提出的方法

• 所提出的DMFNet采用3D多纤维单元，将通道分组，通过分组卷积降低参数量和FLOPs，同时保持组间信息流动。
• 每个多纤维单元整合不同扩张率（如1、2、3）的3D扩张卷积，以捕捉3D MRI体数据中的多尺度上下文特征。
• 对扩张卷积分支的输出应用可学习的自适应加权机制，使网络在训练过程中能动态强调有用的接受域。
• 网络采用编码器-解码器架构并结合跳跃连接，类似于U-Net，以保留空间细节，实现密集体积分割。
• 模型在BraTS-2018数据集上端到端训练，使用标准交叉熵损失和Dice损失，并通过数据增强提升鲁棒性。

实验结果

研究问题

• RQ1 3D卷积神经网络架构是否能在保持高精度的同时实现实时推理，用于MRI中的脑肿瘤分割？
• RQ2 多纤维单元与3D扩张卷积的结合在不降低性能的前提下，是否能有效降低计算成本？
• RQ3 与均等加权相比，对扩张卷积分支采用可学习加权策略是否能提升分割精度？
• RQ4 与3D U-Net和NVDLMED等最先进模型相比，所提出的DMFNet在效率和精度方面表现如何？

主要发现

• 在BraTS-2018验证集上，DMFNet在增强肿瘤（ET）上达到80.12%的Dice分数，全肿瘤（WT）为90.62%，肿瘤核心（TC）为84.54%。
• 与最先进模型NVDLMED相比，DMFNet将FLOPs降低约50倍，参数量减少10倍（NVDLMED参数量为4006万，FLOPs为1495.53亿）。
• 在单张NVIDIA 1080Ti GPU上，推理时间为0.019秒，在CPU上为20.6秒，支持实时临床部署。
• 消融实验表明，与均等加权相比，可学习加权策略使ET的Dice分数提升1.15%，WT提升0.09%。
• 网络在深层动态赋予更大感受野（扩张率3）更高的注意力，表明实现了有效的尺度感知特征学习。