[论文解读] A Multi-task Contextual Atrous Residual Network for Brain Tumor Detection & Segmentation

Ngan Le, Kashu Yamazaki+3 more|arXiv (Cornell University)|Dec 3, 2020

Advanced Neural Network Applications参考文献 33被引用 4

一句话总结

本文提出了一种多任务3D上下文空洞残差网络，通过级联架构联合检测和分割MRI扫描中的脑肿瘤，其中上下文检测头聚焦于肿瘤相关区域，3D空洞残差U-Net用于精确分割。该方法在BRATS 2015、2017和2018数据集上达到最先进性能，在BRATS 2018上Dice分数分别为90.4%（WT）、82.3%（TC）和72.4%（ET），通过空洞卷积和跳跃连接有效缓解了类别不平衡问题并增强了特征学习。

ABSTRACT

In recent years, deep neural networks have achieved state-of-the-art performance in a variety of recognition and segmentation tasks in medical imaging including brain tumor segmentation. We investigate that segmenting a brain tumor is facing to the imbalanced data problem where the number of pixels belonging to the background class (non tumor pixel) is much larger than the number of pixels belonging to the foreground class (tumor pixel). To address this problem, we propose a multi-task network which is formed as a cascaded structure. Our model consists of two targets, i.e., (i) effectively differentiate the brain tumor regions and (ii) estimate the brain tumor mask. The first objective is performed by our proposed contextual brain tumor detection network, which plays a role of an attention gate and focuses on the region around brain tumor only while ignoring the far neighbor background which is less correlated to the tumor. The second objective is built upon a 3D atrous residual network and under an encode-decode network in order to effectively segment both large and small objects (brain tumor). Our 3D atrous residual network is designed with a skip connection to enables the gradient from the deep layers to be directly propagated to shallow layers, thus, features of different depths are preserved and used for refining each other. In order to incorporate larger contextual information from volume MRI data, our network utilizes the 3D atrous convolution with various kernel sizes, which enlarges the receptive field of filters. Our proposed network has been evaluated on various datasets including BRATS2015, BRATS2017 and BRATS2018 datasets with both validation set and testing set. Our performance has been benchmarked by both region-based metrics and surface-based metrics. We also have conducted comparisons against state-of-the-art approaches.

研究动机与目标

• 为解决脑肿瘤分割中肿瘤像素远少于背景像素的严重类别不平衡问题。
• 通过上下文检测网络聚焦于肿瘤相关区域，避免处理无关背景，从而减少计算量并提高分割精度。
• 通过在3D残差网络中引入跳跃连接，保留并优化多层深度的特征表示，缓解梯度消失问题。
• 通过使用不同感受野大小的3D空洞卷积，从3D MRI体积中捕获更大上下文信息，扩展感受野的同时不增加参数量。
• 在基准数据集（BRATS 2015、2017、2018）上实现最先进性能，同时采用面积度量（Dice）和表面度量（Hausdorff、ASSD）进行评估。

提出的方法

• 网络采用级联式多任务结构：第一项任务是上下文脑肿瘤检测网络，仅处理真实肿瘤实例周围的区域，作为注意力门控机制以抑制无关背景。
• 第二项任务采用3D空洞残差U-Net进行分割，利用具有多种卷积核大小的空洞卷积，以捕捉长距离上下文信息，同时保持高分辨率特征。
• 在3D残差块中集成跳跃连接，实现从深层到浅层的直接梯度传播，保留层次化特征表示。
• 在所有编码器和解码器模块中应用3D空洞卷积，以扩展感受野并整合来自体素MRI数据的上下文信息。
• 模型采用端到端训练，结合损失函数同时优化检测与分割目标。
• 仅从真实肿瘤实例周围的上下文区域生成区域提议，相比全图处理显著降低计算成本并提升提议质量。

实验结果

研究问题

• RQ1 具有专用上下文检测头的多任务网络是否能通过减少对无关背景区域的计算量来提升分割性能？
• RQ2 在3D MRI数据中，使用具有不同卷积核大小的3D空洞卷积如何影响模型捕捉长距离上下文的能力？
• RQ3 在深度网络架构用于医学图像分割训练过程中，3D残差网络中的跳跃连接在多大程度上缓解了梯度消失问题？
• RQ4 所提出方法在标准脑肿瘤分割基准（BRATS 2015、2017、2018）上是否在Dice分数和表面度量方面均优于最先进模型？
• RQ5 通过消融研究衡量，上下文检测网络对整体性能的贡献有多大？

主要发现

• 在BRATS 2018测试集上，所提方法在Whole Tumor（WT）上取得90.4%的Dice分数，Tumor Core（TC）为82.3%，Enhancing Tumor（ET）为72.4%，优于最先进方法。
• 在BRATS 2017在线测试集上，模型取得90.0%（WT）、85.0%（TC）和63.0%（ET）的Dice分数，展现出跨数据集的强泛化能力。
• 在BRATS 2015在线测试集上，模型取得89.0%（WT）、85.0%（TC）和63.0%（ET）的Dice分数，表现与顶尖模型相当。
• 在BRATS 2018验证集上的消融研究显示，引入上下文检测网络使Dice分数从90.25%（WT）提升至90.95%（WT），85.78%至88.88%（TC），79.59%至81.40%（ET），证实其积极贡献。
• 在BRATS 2018上，Hausdorff距离为3.73（WT）和2.70（ET），表明最大表面距离较低，边界精度高。
• 平均对称表面距离（ASSD）为3.73（WT）和2.70（ET），表明预测与真实肿瘤边界高度对齐。