[论文解读] A CADe System for Gliomas in Brain MRI using Convolutional Neural Networks

Subhashis Banerjee, Sushmita Mitra+2 more|arXiv (Cornell University)|Jun 20, 2018

Brain Tumor Detection and Classification参考文献 42被引用 9

一句话总结

本论文提出了一种基于卷积神经网络（CNN）的两阶段计算机辅助检测（CADe）系统，用于在多对比脑部MRI中自动检测和定位高级别胶质母细胞瘤。该系统采用分类CNN（c-cnn）识别异常切片，使用检测CNN（d-cnn）生成肿瘤边界框，显著提升了后续肿瘤分割的性能，通过提供精确的种子初始化，使BRATS 2015数据集上的Dice相似系数（DSC）达到0.8631，平均绝对误差（MAE）为3.12。

ABSTRACT

Inspired by the success of Convolutional Neural Networks (CNN), we develop a novel Computer Aided Detection (CADe) system using CNN for Glioblastoma Multiforme (GBM) detection and segmentation from multi channel MRI data. A two-stage approach first identifies the presence of GBM. This is followed by a GBM localization in each "abnormal" MR slice. As part of the CADe system, two CNN architectures viz. Classification CNN (C-CNN) and Detection CNN (D-CNN) are employed. The CADe system considers MRI data consisting of four sequences ($T_1$, $T_{1c},$ $T_2$, and $T_{2FLAIR}$) as input, and automatically generates the bounding boxes encompassing the tumor regions in each slice which is deemed abnormal. Experimental results demonstrate that the proposed CADe system, when used as a preliminary step before segmentation, can allow improved delineation of tumor region while reducing false positives arising in normal areas of the brain. The GrowCut method, employed for tumor segmentation, typically requires a foreground and background seed region for initialization. Here the algorithm is initialized with seeds automatically generated from the output of the proposed CADe system, thereby resulting in improved performance as compared to that using random seeds.

研究动机与目标

• 开发一种用于脑部MRI中高级别胶质母细胞瘤的自动化计算机辅助检测（CADe）系统，以减轻放射科医生的工作负担并提高诊断的一致性。
• 解决手动肿瘤分割带来的挑战，包括观察者间和观察者内差异性以及耗时过长的问题。
• 通过使用CNN生成的边界框初始化GrowCut分割算法，实现基于有信息种子的肿瘤轮廓勾画，从而提高轮廓勾画的准确性。
• 评估CNN架构变化对胶质母细胞瘤检测和定位性能的影响。

提出的方法

• 该系统采用两阶段方法：首先，分类CNN（c-cnn）判断给定的MRI切片是否含有胶质母细胞瘤。
• 其次，检测CNN（d-cnn）通过在每个切片中生成异常区域的边界框来定位肿瘤。
• 两个网络的输入为包含T1、T1c、T2和T2-FLAIR序列的多对比MRI数据。
• d-cnn模型采用区域建议机制来预测边界框，性能通过平均平均精度（mAP）、平均绝对误差（MAE）和Dice相似系数（DSC）进行评估。
• GrowCut分割算法使用来自d-cnn边界框输出的种子进行初始化，取代随机种子放置。
• 对c-cnn和d-cnn变体进行了超参数消融研究，包括数据增强、卷积核大小、网络深度和激活函数（ReLU与LeakyReLU对比）。

实验结果

研究问题

• RQ1 基于两阶段CNN的CADe系统能否有效检测和定位多对比脑部MRI中的高级别胶质母细胞瘤？
• RQ2 与随机种子初始化相比，CNN生成的边界框初始化如何提升GrowCut分割算法的性能？
• RQ3 架构选择（如卷积核大小、网络深度和激活函数）对d-cnn模型检测与定位性能有何影响？
• RQ4 数据增强是否能提升c-cnn和d-cnn模型的泛化能力并减少过拟合？

主要发现

• 所提出的CADe系统在BRATS 2015数据集上实现了0.8631的Dice相似系数（DSC）和3.12的平均绝对误差（MAE），表现出优异的定位性能。
• 数据增强（E1）显著提升了c-cnn的泛化能力，减少了过拟合，并提高了检测准确率、召回率和Fβ分数。
• 更大的卷积核尺寸（最大至9×9）和更高的网络深度（最多18层）导致过拟合并降低性能，表明架构复杂度增加后收益递减。
• 与ReLU相比，使用LeakyReLU（E4）导致泛化能力更差，p值为0.019，表明基线模型优于E4，具有统计学显著性。
• 基线d-cnn模型优于所有变体，在t检验中与最深的网络结构（E3）相比p值为6.4×10⁻¹¹，证实其具有更优的泛化能力。
• 该系统通过提供精确的种子区域，有效减少了分割中的假阳性，从而提升了GrowCut算法的性能。