[论文解读] 3D segmentation of mandible from multisectional CT scans by convolutional neural networks

Bingjiang Qiu, Jiapan Guo+4 more|arXiv (Cornell University)|Sep 18, 2018

Dental Radiography and Imaging参考文献 16被引用 6

一句话总结

本文提出一种基于U-Net的卷积神经网络方法，通过分别处理轴向、冠状和矢状CT断面，将2D分割结果融合为3D模型，实现3D下颌骨分割。该方法在11例患者扫描中实现了0.89的平均Dice系数，证明其在颌面外科3D手术规划中具有高精度和强鲁棒性。

ABSTRACT

Segmentation of mandibles in CT scans during virtual surgical planning is crucial for 3D surgical planning in order to obtain a detailed surface representation of the patients bone. Automatic segmentation of mandibles in CT scans is a challenging task due to large variation in their shape and size between individuals. In order to address this challenge we propose a convolutional neural network approach for mandible segmentation in CT scans by considering the continuum of anatomical structures through different planes. The proposed convolutional neural network adopts the architecture of the U-Net and then combines the resulting 2D segmentations from three different planes into a 3D segmentation. We implement such a segmentation approach on 11 neck CT scans and then evaluate the performance. We achieve an average dice coefficient of $ 0.89 $ on two testing mandible segmentation. Experimental results show that our proposed approach for mandible segmentation in CT scans exhibits high accuracy.

研究动机与目标

• 为解决CT扫描中下颌骨手动分割耗时费力的问题，以支持3D手术规划。
• 开发一种自动化的深度学习方法，确保不同成像断面间解剖结构的连续性。
• 通过分片处理2D图像并融合结果，克服3D体素分割中内存限制和空间上下文丢失的问题。
• 在真实临床颈部CT数据上评估多平面CNN方法的性能。
• 实现精确、可重复的3D下颌骨重建，以支持颅颌面肿瘤切除与重建的虚拟手术规划。

提出的方法

• 该方法采用三个独立的U-Net架构，分别处理三种正交断面：轴向、冠状和矢状CT断层图像。
• 每个2D U-Net在单个断层图像上训练，以预测下颌骨的像素级分割掩码。
• 通过基于投票的策略，将来自三个断面的2D分割结果进行融合，生成一致的3D分割体素。
• 网络使用3×3卷积层，配合零填充和ReLU激活函数，随后进行批归一化和最大池化操作。
• 使用Adam优化算法，学习率为1×10⁻⁵，模型在原始尺寸的CT图像上进行端到端训练。
• 最终通过3D可视化软件（Materialise Mimics）将三个断面的2D分割结果堆叠并对齐，重建3D模型。

实验结果

研究问题

• RQ1 基于2D U-Net的方法能否有效捕捉下颌骨在正交CT断面间的3D解剖连续性？
• RQ2 将轴向、冠状和矢状视图的2D分割结果进行融合，是否能提升3D分割精度，优于单平面处理？
• RQ3 该方法是否能在有限的临床数据上实现高Dice相似度分数，而无需进行3D体素训练？
• RQ4 与手动分割相比，该方法在精度和可重复性方面表现如何？
• RQ5 该方法是否可扩展至其他解剖结构或成像模态？

主要发现

• 所提出方法在两个测试病例中实现了0.89的平均Dice系数，表明分割精度较高。
• 各断层上的Dice分数分布中位数约为0.90，表明在大多数断层上表现稳定。
• 在Materialise Mimics软件中通过视觉确认，融合2D分割结果重建的3D模型与真实值高度吻合。
• 该方法无需3D体素训练即可有效保持下颌骨在不同成像断面间的结构连续性。
• 通过使用全分辨率2D输入，避免了内存密集型的3D小块训练，从而保留了解剖上下文信息。
• 结果表明该方法在下颌骨重建的3D虚拟手术规划中具有强大的临床应用潜力。