[论文解读] A Multiscale Patch Based Convolutional Network for Brain Tumor Segmentation

Jean Stawiaski|arXiv (Cornell University)|Oct 6, 2017

Brain Tumor Detection and Classification参考文献 12被引用 6

一句话总结

该论文提出了一种基于多尺度块的卷积神经网络，结合残差连接与深度监督，用于3D多对比度MR图像中的脑肿瘤分割。该方法在BRATS 2017挑战赛中取得了具有竞争力的95%分位数Hausdorff距离（增强肿瘤为3.63mm，全肿瘤为4.10mm，肿瘤核心为6.81mm）以及Dice分数（0.755、0.900和0.782），由于真实标签平滑化和数据增强，分割结果更加平滑、连贯。

ABSTRACT

This article presents a multiscale patch based convolutional neural network for the automatic segmentation of brain tumors in multi-modality 3D MR images. We use multiscale deep supervision and inputs to train a convolutional network. We evaluate the effectiveness of the proposed approach on the BRATS 2017 segmentation challenge where we obtained dice scores of 0.755, 0.900, 0.782 and 95% Hausdorff distance of 3.63mm, 4.10mm, and 6.81mm for enhanced tumor core, whole tumor and tumor core respectively.

研究动机与目标

• 开发一种高效且准确的深度学习方法，用于多对比度3D MR图像中脑肿瘤的自动分割。
• 解决医学图像分割中的挑战，包括肿瘤异质性、图像非均匀性以及部分体积效应。
• 通过多尺度深度监督与残差连接，提升模型收敛性与特征学习能力。
• 通过预处理真实标签并利用噪声增强训练数据，生成更平滑、更具解剖一致性的分割结果。
• 在类别不平衡与噪声真实标签标注的情况下，实现对BRATS 2017挑战赛的鲁棒性能。

提出的方法

• 网络处理64³个体素块，其多尺度输入源自原始3D MR图像体积。
• 在每个卷积块中采用残差连接以稳定训练并改善梯度流动。
• 在每个卷积后应用批量归一化，使用5000个样本的运行统计量。
• 下采样通过高斯滤波降采样实现，上采样采用最近邻插值。
• 按尺度设计损失函数，结合均值交叉熵与Dice系数（排除背景类别），以实现深度监督。
• 通过高斯核对手动平滑真实标签分割，以提升3D连贯性并减少噪声。

实验结果

研究问题

• RQ1 基于多尺度、块状的CNN，结合残差连接与深度监督，是否能在3D MR图像的脑肿瘤分割任务中取得具有竞争力的性能？
• RQ2 在真实标签存在噪声的情况下，多尺度深度监督在多大程度上能改善收敛性与分割精度？
• RQ3 对真实标签进行平滑化并结合噪声增强，在多大程度上能提升预测肿瘤边界的一致性与紧凑性？
• RQ4 在BRATS 2017基准上，该方法与当前最先进方法相比，在Dice分数与Hausdorff距离指标上的表现如何？
• RQ5 在几何精度指标（如Hausdorff距离）方面，一个相对简单的架构是否能优于更复杂的模型？

主要发现

• 该方法在BRATS 2017验证集上，对增强肿瘤（ET）的Dice分数为0.755，全肿瘤（WT）为0.900，肿瘤核心（TC）为0.782。
• 95%分位数Hausdorff距离分别为ET 3.63mm，WT 4.10mm，TC 6.81mm，表明具有较高的几何精度。
• 由于预处理与数据增强，分割结果比原始噪声真实标签更平滑、更紧凑。
• 该模型在Hausdorff距离指标上表现强劲，优于多个顶尖方法。
• 使用非重叠64³块，每幅3D MR图像的推理时间约为5秒。
• 尽管Dice分数中等，该方法仍生成了视觉上连贯且解剖学上合理的分割结果，尤其在肿瘤边界方面表现优异。