[论文解读] A deep learning-based method for prostate segmentation in T2-weighted magnetic resonance imaging

Davood Karimi, Golnoosh Samei+2 more|arXiv (Cornell University)|Jan 27, 2019

Advanced Neural Network Applications参考文献 44被引用 6

一句话总结

本文提出一种两阶段深度学习方法，用于在T2加权MRI中实现精确的前列腺分割。该方法利用全局卷积神经网络（CNN）定位前列腺，再通过局部CNN细化边界。通过结合基于形状的数据增强和两步推理策略，该方法在PROMISE12数据集上实现了90.6 ± 2.2的平均Dice分数，优于先前的方法。

ABSTRACT

We propose a novel automatic method for accurate segmentation of the prostate in T2-weighted magnetic resonance imaging (MRI). Our method is based on convolutional neural networks (CNNs). Because of the large variability in the shape, size, and appearance of the prostate and the scarcity of annotated training data, we suggest training two separate CNNs. A global CNN will determine a prostate bounding box, which is then resampled and sent to a local CNN for accurate delineation of the prostate boundary. This way, the local CNN can effectively learn to segment the fine details that distinguish the prostate from the surrounding tissue using the small amount of available training data. To fully exploit the training data, we synthesize additional data by deforming the training images and segmentations using a learned shape model. We apply the proposed method on the PROMISE12 challenge dataset and achieve state of the art results. Our proposed method generates accurate, smooth, and artifact-free segmentations. On the test images, we achieve an average Dice score of 90.6 with a small standard deviation of 2.2, which is superior to all previous methods. Our two-step segmentation approach and data augmentation strategy may be highly effective in segmentation of other organs from small amounts of annotated medical images.

研究动机与目标

• 为解决由于解剖结构高度可变性和标注数据有限，导致在T2加权MRI中实现精确自动前列腺分割的挑战。
• 通过引入两阶段CNN框架，将任务划分为定位与精细勾画，提升在小规模医学图像数据集上的分割性能。
• 通过使用学习到的形状模型进行基于形状的数据增强，提升训练数据效率。
• 在无需后处理的情况下，实现更优的分割精度和光滑性，优于现有的基于图谱、可变形模型和图割方法。

提出的方法

• 训练一个全局CNN以预测前列腺周围的边界框，用于裁剪并重采样输入图像至标准化尺寸。
• 将重采样后的体积输入局部CNN，以实现高分辨率、精确的前列腺边界分割。
• 使用学习到的形状模型通过形变原始图像和分割图来合成额外的训练数据，提升数据多样性与鲁棒性。
• 对局部CNN的输出应用形态学开运算，以去除概率图硬阈值化后产生的小噪声。
• 在局部CNN中应用10–20%的Dropout以防止过拟合并提升泛化能力。
• 该方法利用深度CNN的层次化特征学习能力，同时捕捉局部纹理与全局解剖上下文信息。

实验结果

研究问题

• RQ1 当训练数据有限时，两阶段CNN架构是否能提升T2加权MRI中前列腺分割的准确性？
• RQ2 基于形状的数据增强在提升小规模医学图像分割任务性能方面有多有效？
• RQ3 将全局定位与局部边界细化分离，是否比在小数据集上端到端训练获得更好的分割效果？
• RQ4 通过形态学运算进行后处理，在多大程度上能提升CNN生成分割结果的光滑性与准确性？

主要发现

• 所提方法在PROMISE12测试集上实现了90.6 ± 2.2的平均Dice分数，显著优于先前的最先进方法。
• 若不使用数据增强，方法的Dice分数下降至86.1 ± 6.6，表明基于形状增强的关键作用。
• 使用形状模型进行数据增强所获得的Dice分数（89.3 ± 0.040）高于随机形变场，证实其有效性。
• 两步法使局部CNN能通过聚焦于中心良好、尺寸和分辨率一致的区域，实现更优的精度。
• 形态学开运算提升了平均Dice系数，表明其在去除硬阈值输出中的小伪影方面具有重要价值。
• 该方法生成了光滑、无伪影的分割结果，除开运算外无需额外后处理步骤。