[论文解读] A Baseline Approach for AutoImplant: the MICCAI 2020 Cranial Implant Design Challenge

Jianning Li, Antonio Pepe+3 more|arXiv (Cornell University)|Jun 22, 2020

Dental Implant Techniques and Outcomes参考文献 14被引用 8

一句话总结

本文提出了一种基于体积形状学习的两阶段深度学习基线方法，用于从缺陷颅骨CT扫描中自动设计颅骨植入物。通过使用粗到细的编码器-解码器网络，直接从缺陷颅骨预测植入物，在MICCAI 2020 AutoImplant挑战赛测试集上实现了0.8555的平均DSC和5.1825毫米的HD，证明了该方法在无几何先验条件下的有效泛化能力。

ABSTRACT

In this study, we present a baseline approach for AutoImplant (https://autoimplant.grand-challenge.org/) - the cranial implant design challenge, which, as suggested by the organizers, can be formulated as a volumetric shape learning task. In this task, the defective skull, the complete skull and the cranial implant are represented as binary voxel grids. To accomplish this task, the implant can be either reconstructed directly from the defective skull or obtained by taking the difference between a defective skull and a complete skull. In the latter case, a complete skull has to be reconstructed given a defective skull, which defines a volumetric shape completion problem. Our baseline approach for this task is based on the former formulation, i.e., a deep neural network is trained to predict the implants directly from the defective skulls. The approach generates high-quality implants in two steps: First, an encoder-decoder network learns a coarse representation of the implant from down-sampled, defective skulls; The coarse implant is only used to generate the bounding box of the defected region in the original high-resolution skull. Second, another encoder-decoder network is trained to generate a fine implant from the bounded area. On the test set, the proposed approach achieves an average dice similarity score (DSC) of 0.8555 and Hausdorff distance (HD) of 5.1825 mm. The code is publicly available at https://github.com/Jianningli/autoimplant.

研究动机与目标

• 开发一种完全数据驱动的自动颅骨植入物设计方法，无需依赖如颅骨对称性等几何先验。
• 解决在高分辨率体积学习框架中，直接从缺陷颅骨CT扫描生成准确、患者特异性植入物的挑战。
• 基于真实临床CT数据，在深度学习基础上为MICCAI 2020 AutoImplant挑战赛建立一个稳健的基线。
• 评估模型在人工缺陷上的泛化能力，并与基于颅骨补全的方法进行比较。

提出的方法

• 提出一种两阶段深度学习框架：首先，使用编码器-解码器网络（N₁）从下采样后的缺陷颅骨中预测粗略植入物。
• 利用粗略植入物确定原始高分辨率颅骨中缺陷的边界框，以定位感兴趣区域。
• 训练第二个轻量级编码器-解码器网络（N₂），从缺陷颅骨的局部有界区域生成精细植入物。
• 采用二值体素网格表示缺陷颅骨、完整颅骨和植入物，实现端到端的体积形状学习。
• 通过从完整颅骨中移除骨性结构生成真实植入物，实现监督训练。
• 该方法避免显式几何先验，而是通过在高分辨率CT数据上进行深度学习来学习形状补全。

实验结果

研究问题

• RQ1 是否能够通过直接的、端到端的深度学习方法，在不依赖对称性等几何先验的条件下，从缺陷颅骨CT扫描中生成准确的颅骨植入物？
• RQ2 两阶段粗到细网络架构在未见过的缺陷上泛化能力如何？
• RQ3 与先进行颅骨补全再计算差值的方法相比，直接植入物预测在形状准确性和鲁棒性方面是否表现更优或相当？
• RQ4 数据驱动的体积形状学习模型在高分辨率真实临床CT数据上的颅骨植入物设计性能如何？

主要发现

• 所提出的直接植入物生成方法在MICCAI 2020 AutoImplant挑战赛测试集上实现了0.8555的平均Dice相似系数（DSC）和5.1825毫米的Hausdorff距离（HD）。
• 该模型在人工缺陷上表现强劲，2D和3D可视化结果均显示高质量的植入物预测。
• 在10个具有完全不同的缺陷形状的额外病例测试中，直接植入物预测方法失败，表明其对训练缺陷模式存在过拟合。
• 相比之下，基于相同数据训练的颅骨补全网络（N₁）对新型缺陷形状表现出良好的泛化能力，表明间接补全方法可能更具鲁棒性。
• 两阶段方法通过将N₂聚焦于局部区域，显著降低了GPU显存使用量，提升了计算效率。
• 结果验证了深度学习能够在无显式几何先验的条件下，有效学习复杂颅骨植入物体积形状，为未来研究建立了强有力的基线。