[论文解读] A Cascaded Residual UNET for Fully Automated Segmentation of Prostate and Peripheral Zone in T2-weighted 3D Fast Spin Echo Images
本文提出了一种级联残差U-Net（Cascaded MRes-UNET），用于在T2加权3D快速自旋回波MRI扫描中实现前列腺腺体及周围区的全自动分割。该架构采用残差块和两级级联设计，以改善边界定位，与放射科医生的标注相比，Dice分数达到0.91±0.02，前列腺总体积估计误差低于5%。
Multi-parametric MR images have been shown to be effective in the non-invasive diagnosis of prostate cancer. Automated segmentation of the prostate eliminates the need for manual annotation by a radiologist which is time consuming. This improves efficiency in the extraction of imaging features for the characterization of prostate tissues. In this work, we propose a fully automated cascaded deep learning architecture with residual blocks, Cascaded MRes-UNET, for segmentation of the prostate gland and the peripheral zone in one pass through the network. The network yields high Dice scores ($0.91\pm.02$), precision ($0.91\pm.04$), and recall scores ($0.92\pm.03$) in prostate segmentation compared to manual annotations by an experienced radiologist. The average difference in total prostate volume estimation is less than 5%.
研究动机与目标
- 消除放射科医生在T2加权3D MRI中对前列腺及周围区进行耗时的手动分割。
- 开发一种完全自动化的深度学习框架，通过一次前向传播准确分割前列腺腺体及其周围区。
- 通过残差学习和级联网络架构，提升分割精度，尤其是组织边界处的精度。
- 实现前列腺体积估计的高度一致性，最大限度减少与手动标注的偏差。
提出的方法
- 采用级联U-Net架构，第一阶段预测前列腺腺体，第二阶段细化周围区的分割。
- 在编码器和解码器路径中集成残差块，以稳定训练并改善梯度流动。
- 使用带焦点加权的二元交叉熵损失，以端到端方式训练网络，解决类别不平衡问题。
- 输入为3D T2加权快速自旋回波MRI数据，模型预测前列腺和周围区的体素级分割掩码。
- 采用两级推理过程，使第二阶段能够利用第一阶段的特征，专注于精细的周围区边界。
- 应用数据增强技术，包括旋转、翻转和强度抖动，以提升泛化能力。
实验结果
研究问题
- RQ1级联深度学习架构能否在T2加权3D MRI中实现前列腺腺体和周围区的高精度分割？
- RQ2残差块的集成是否能提升前列腺MRI分割中的分割性能和训练稳定性？
- RQ3与单阶段U-Net相比，级联设计在边界定位方面提升了多少？
- RQ4与手动放射科医生测量相比，自动化体积估计的准确性如何？
主要发现
- 所提出的Cascaded MRes-UNET在前列腺分割中取得了0.91±0.02的Dice分数，表明与手动标注具有高度重叠。
- 前列腺分割的精确率和召回率分别为0.91±0.04和0.92±0.03，显示出高分割可靠性。
- 自动化与手动分割之间前列腺总体积估计的平均差异小于5%。
- 与基线U-Net模型相比，级联架构显著改善了边界勾勒，尤其在周围区表现更优。
- 残差块的使用有助于训练稳定，并在深层网络中实现更好的特征学习。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。