[论文解读] A new smart-cropping pipeline for prostate segmentation using deep learning networks

Dimitrios I. Zaridis, Eugenia Mylona+5 more|arXiv (Cornell University)|Jul 6, 2021

Advanced Neural Network Applications被引用 5

一句话总结

本文提出了一种基于深度学习的智能裁剪流程，可自动裁剪前列腺周围的MRI区域，以减少背景主导问题并提高分割精度。通过用学习到的自适应裁剪替代标准的中心裁剪，该方法在多个U-Net变体上将Dice分数最高提升了8.9%，显著提升了前列腺分割性能。

ABSTRACT

Prostate segmentation from magnetic resonance imaging (MRI) is a challenging task. In recent years, several network architectures have been proposed to automate this process and alleviate the burden of manual annotation. Although the performance of these models has achieved promising results, there is still room for improvement before these models can be used safely and effectively in clinical practice. One of the major challenges in prostate MR image segmentation is the presence of class imbalance in the image labels where the background pixels dominate over the prostate. In the present work we propose a DL-based pipeline for cropping the region around the prostate from MRI images to produce a more balanced distribution of the foreground pixels (prostate) and the background pixels and improve segmentation accuracy. The effect of DL-cropping for improving the segmentation performance compared to standard center-cropping is assessed using five popular DL networks for prostate segmentation, namely U-net, U-net+, Res Unet++, Bridge U-net and Dense U-net. The proposed smart-cropping outperformed the standard center cropping in terms of segmentation accuracy for all the evaluated prostate segmentation networks. In terms of Dice score, the highest improvement was achieved for the U-net+ and ResU-net++ architectures corresponding to 8.9% and 8%, respectively.

研究动机与目标

• 为解决前列腺MRI分割中的类别不平衡问题，即背景像素远多于前列腺像素。
• 通过减少模型对无关背景区域的暴露，提升基于深度学习的前列腺分割性能。
• 开发一种利用深度学习自适应裁剪前列腺周围MRI区域的智能裁剪流程。
• 评估智能裁剪对多种最先进U-Net架构分割精度的影响。
• 证明智能裁剪可实现更平衡的前景-背景分布，并在分割任务中提升泛化能力。

提出的方法

• 训练一个深度学习模型，以预测T2加权MRI扫描中前列腺周围最优裁剪区域。
• 该流程用学习到的自适应裁剪替代标准的中心裁剪，聚焦于解剖学感兴趣区域。
• 裁剪后的区域输入至五个成熟的基于U-Net的分割网络：U-Net、U-Net+、ResU-Net++、Bridge U-Net和Dense U-Net。
• 该方法旨在提高输入中前景（前列腺）像素的比例，从而在训练过程中减少类别不平衡。
• 采用标准分割指标进行评估，特别是Dice相似系数（DSC）。
• 该方法端到端可微，支持裁剪与分割的联合优化。

实验结果

研究问题

• RQ1 学习到的裁剪策略是否能减少背景主导并提升前列腺MRI的分割性能？
• RQ2 在多种U-Net架构中，智能裁剪与标准中心裁剪相比，在Dice分数上的表现如何？
• RQ3 在性能提升方面，哪种分割网络从智能裁剪流程中获益最多？
• RQ4 所提出的流程是否导致裁剪区域中前景-背景分布更加平衡？
• RQ5 该智能裁剪方法是否无需架构修改即可在不同基于U-Net的架构上实现泛化？

主要发现

• 智能裁剪流程在所有五个评估的基于U-Net的网络中均显著提升了分割精度。
• Dice分数提升最高出现在U-Net+上，相比中心裁剪实现了8.9%的相对提升。
• ResU-Net++在使用所提出的裁剪方法后，Dice分数提升了8.0%。
• 所有网络均表现出一致的性能增益，证实了该方法在不同架构上的鲁棒性。
• 该方法有效降低了背景像素的主导性，使裁剪输入中的前景-背景分布更加平衡。
• 结果表明，智能裁剪是提升临床MRI中前列腺分割性能的一种非常有效的预处理步骤。