[论文解读] A Fixed-Point Model for Pancreas Segmentation in Abdominal CT Scans

Yuyin Zhou, Lingxi Xie+4 more|arXiv (Cornell University)|Dec 25, 2016

Advanced Neural Network Applications参考文献 19被引用 6

一句话总结

本文提出了一种固定点迭代深度学习框架，用于在腹部CT扫描中实现胰腺的精确分割。通过使用预测的分割掩码迭代地优化输入区域——将其缩小至紧密的边界框——该方法显著提升了精度，在NIH数据集上实现了82.37%的平均DSC，较最先进方法高出4.36%，在最困难样本上达到62.43%的DSC。

ABSTRACT

Deep neural networks have been widely adopted for automatic organ segmentation from abdominal CT scans. However, the segmentation accuracy of some small organs (e.g., the pancreas) is sometimes below satisfaction, arguably because deep networks are easily disrupted by the complex and variable background regions which occupies a large fraction of the input volume. In this paper, we formulate this problem into a fixed-point model which uses a predicted segmentation mask to shrink the input region. This is motivated by the fact that a smaller input region often leads to more accurate segmentation. In the training process, we use the ground-truth annotation to generate accurate input regions and optimize network weights. On the testing stage, we fix the network parameters and update the segmentation results in an iterative manner. We evaluate our approach on the NIH pancreas segmentation dataset, and outperform the state-of-the-art by more than 4%, measured by the average Dice-Sørensen Coefficient (DSC). In addition, we report 62.43% DSC in the worst case, which guarantees the reliability of our approach in clinical applications.

研究动机与目标

• 解决由于高解剖变异性和背景复杂性导致的腹部CT扫描中胰腺等小器官分割精度低的问题。
• 克服深度网络因输入体积中存在大而多变的背景区域而受到干扰的局限性。
• 通过迭代优化输入区域，提升边界区域及困难病例的分割可靠性和精度。
• 开发一种在临床部署中既准确又计算可行的方法，且在各种解剖变异下保持稳定性能。

提出的方法

• 将胰腺分割建模为一个固定点优化问题，其中预测的分割掩码用于定义一个逐步缩小的输入区域。
• 训练两个2D全卷积网络（FCNs）：一个在完整体积上（粗粒度尺度），另一个在由真实标签掩码定义的裁剪区域内（细粒度尺度）进行训练。
• 使用基于DSC的损失函数以平衡前景与背景类别的偏差，梯度计算基于软DSC公式推导。
• 在推理阶段应用迭代优化：使用预测掩码裁剪新的输入区域，重新分割，并重复此过程直至收敛或达到阈值（例如DSC ≥ 0.95）。
• 通过多数投票法融合三个正交视图（轴向、冠状、矢状）的预测结果，以提升鲁棒性。
• 实施基于阈值的停止条件（例如DSC ≥ 0.95），以控制计算量并确保收敛。

实验结果

研究问题

• RQ1 是否可以通过使用预测分割掩码对输入区域进行迭代优化，提升腹部CT扫描中胰腺分割的准确性？
• RQ2 通过掩码引导的裁剪减小输入区域大小，是否能提升分割精度，特别是在小而多变的器官上？
• RQ3 与最先进方法相比，该固定点迭代模型在平均DSC和最差情况DSC上的表现如何？
• RQ4 在迭代优化过程中，平衡精度与计算成本的最优迭代次数和阈值是多少？
• RQ5 该方法是否可推广至其他具有类似挑战的小器官或病灶的医学图像分割任务？

主要发现

• 所提方法在NIH胰腺分割数据集上实现了82.37%的平均DSC，较之前最先进方法（78.01%）提升了4.36%。
• 最差情况下的DSC为62.43%，显著高于先前工作（例如[8]中为34.11%），表明其在困难病例中具有更强的鲁棒性。
• 仅第一轮迭代便使精度较基线提升6.42%，后续迭代带来的增益微小（第一轮后平均仅+0.3%）。
• 该方法在现代GPU上平均收敛于3轮以内，每例CT扫描约需3分钟推理时间，与近期最先进方法的推理时间相当。
• 使用理想边界框（即真实标签掩码用于裁剪）可达到83.18%的平均DSC，表明所提方法已接近当前网络容量的理论上限。
• 该方法优于近期发表的粗到细方法（77.89% DSC），且标准差更低（5.68% vs. 8.20%），表明其具有更高的稳定性。