[论文解读] A Bottom-up Approach for Pancreas Segmentation using Cascaded Superpixels and (Deep) Image Patch Labeling

Amal Farag, Le Lü+4 more|arXiv (Cornell University)|May 22, 2015

Advanced Neural Network Applications参考文献 46被引用 12

一句话总结

该论文提出一种基于级联超像素与双阶段图像块标注的自底向上胰腺分割方法——首先使用高效的随机森林，再使用深度卷积网络进行标注，实现了70.7%的Dice分数和每例6–8分钟的运行时间，在80个体层CT影像的6折交叉验证中，其准确率和效率均显著优于当前最先进方法。

ABSTRACT

Robust automated organ segmentation is a prerequisite for computer-aided diagnosis (CAD), quantitative imaging analysis and surgical assistance. For high-variability organs such as the pancreas, previous approaches report undesirably low accuracies. We present a bottom-up approach for pancreas segmentation in abdominal CT scans that is based on a hierarchy of information propagation by classifying image patches at different resolutions; and cascading superpixels. There are four stages: 1) decomposing CT slice images as a set of disjoint boundary-preserving superpixels; 2) computing pancreas class probability maps via dense patch labeling; 3) classifying superpixels by pooling both intensity and probability features to form empirical statistics in cascaded random forest frameworks; and 4) simple connectivity based post-processing. The dense image patch labeling are conducted by: efficient random forest classifier on image histogram, location and texture features; and more expensive (but with better specificity) deep convolutional neural network classification on larger image windows (with more spatial contexts). Evaluation of the approach is performed on a database of 80 manually segmented CT volumes in six-fold cross-validation (CV). Our achieved results are comparable, or better than the state-of-the-art methods (evaluated by "leave-one-patient-out"), with Dice 70.7% and Jaccard 57.9%. The computational efficiency has been drastically improved in the order of 6~8 minutes, comparing with others of ~10 hours per case. Finally, we implement a multi-atlas label fusion (MALF) approach for pancreas segmentation using the same datasets. Under six-fold CV, our bottom-up segmentation method significantly outperforms its MALF counterpart: (70.7 +/- 13.0%) versus (52.5 +/- 20.8%) in Dice. Deep CNN patch labeling confidences offer more numerical stability, reflected by smaller standard deviations.

研究动机与目标

• 为解决由于胰腺在腹部CT扫描中解剖结构高度可变而导致的分割精度低下的挑战。
• 与现有方法相比，提升计算效率，后者通常每例需10余小时。
• 开发一种稳健的分层框架，结合超像素分解与多分辨率块标注，以提升定位精度与特异性。
• 在包含80例手动分割CT影像的大规模数据集上，通过严格的交叉验证评估该方法。
• 与多图谱标签融合（MALF）方法进行比较，证明本方法在平均Dice分数与标准差方面均表现更优。

提出的方法

• 将每张CT切片分解为保持边界的超像素，以构建图像的分层区域表示。
• 利用随机森林分类器对局部特征（强度、纹理、位置）进行密集图像块标注，生成初始概率图。
• 实施基于随机森林的级联超像素分类框架，聚合强度与概率特征，计算经验统计量。
• 在更大的图像窗口上应用深度卷积神经网络（CNN），以获取更广的空间上下文信息，提升预测的特异性。
• 应用基于连通性的后处理方法，确保分割结果具有解剖学上的合理性。
• 采用两阶段块标注策略：先使用快速随机森林进行初始标注，再通过计算量更大但更准确的CNN推理进行优化。

实验结果

研究问题

• RQ1 与自顶向下或基于图谱的方法相比，基于超像素的自底向上方法是否能提升在异质性腹部CT扫描中胰腺分割的准确性？
• RQ2 将超像素分类与多分辨率块标注级联，是否能同时提升定位精度与计算效率？
• RQ3 与传统随机森林相比，采用深度CNN进行块标注在特异性与数值稳定性方面表现如何？
• RQ4 与现有最先进技术相比，该方法在保持或提升分割性能的同时，能在多大程度上减少运行时间？
• RQ5 在大规模、多样化的数据集上，该方法是否在平均Dice分数与标准差两方面均优于多图谱标签融合（MALF）？

主要发现

• 所提方法在六折交叉验证中达到70.7%的Dice分数（标准差13.0%），显著优于MALF基线方法（52.5% ± 20.8%）。
• 该方法将平均计算时间降低至每例6–8分钟，相比以往方法每例约需10小时，实现了显著提升。
• 基于深度CNN的块标注提供了更稳定的置信度分数，表现为性能指标标准差更低。
• 级联超像素框架有效实现了跨尺度信息传播，通过整合局部纹理与全局上下文特征，提升了分割精度。
• 超像素分解与双阶段块标注（先随机森林后CNN）的结合，增强了特异性并减少了假阳性结果。
• 该方法在80例手动分割CT影像数据集上表现出对多样化患者解剖结构的鲁棒性。