[论文解读] A Transfer Learning Approach for Automated Segmentation of Prostate Whole Gland and Transition Zone in Diffusion Weighted MRI

Saman Motamed, Isha Gujrathi+4 more|arXiv (Cornell University)|Sep 20, 2019

Prostate Cancer Diagnosis and Treatment参考文献 43被引用 11

一句话总结

本文提出一种基于改进U-Net的迁移学习方法，以提升扩散加权磁共振成像（DW-MRI）中前列腺整体腺体和移行区的自动分割性能，通过利用更大源队列的预训练特征来增强小目标队列的性能。仅需30个微调目标病例，该方法在两种结构上的平均Dice分数均达到0.80，显著优于非迁移学习方法（分别为0.65和0.51）。

ABSTRACT

The segmentation of prostate whole gland and transition zone in Diffusion Weighted MRI (DWI) are the first step in designing computer-aided detection algorithms for prostate cancer. However, variations in MRI acquisition parameters and scanner manufacturing result in different appearances of prostate tissue in the images. Convolutional neural networks (CNNs) which have shown to be successful in various medical image analysis tasks including segmentation are typically sensitive to the variations in imaging parameters. This sensitivity leads to poor segmentation performance of CNNs trained on a source cohort and tested on a target cohort from a different scanner and hence, it limits the applicability of CNNs for cross-cohort training and testing. Contouring prostate whole gland and transition zone in DWI images are time-consuming and expensive. Thus, it is important to enable CNNs pretrained on images of source domain, to segment images of target domain with minimum requirement for manual segmentation of images from the target domain. In this work, we propose a transfer learning method based on a modified U-net architecture and loss function, for segmentation of prostate whole gland and transition zone in DWIs using a CNN pretrained on a source dataset and tested on the target dataset. We explore the effect of the size of subset of target dataset used for fine-tuning the pre-trained CNN on the overall segmentation accuracy. Our results show that with a fine-tuning data as few as 30 patients from the target domain, the proposed transfer learning-based algorithm can reach dice score coefficient of 0.80 for both prostate whole gland and transition zone segmentation. Using a fine-tuning data of 115 patients from the target domain, dice score coefficient of 0.85 and 0.84 are achieved for segmentation of whole gland and transition zone, respectively, in the target domain.

研究动机与目标

• 解决深度学习模型在不同磁共振成像扫描协议和扫描仪之间应用时泛化能力差的挑战。
• 通过利用更大源队列的预训练特征，克服在小样本、领域特定数据集上训练深度网络的局限性。
• 提升对扩散加权磁共振成像（DW-MRI）中整体腺体（WG）和移行区（TZ）的分割精度，这两者对成像参数变化敏感。
• 为临床医生提供数据高效指南，明确在前列腺分割中有效迁移学习所需的最少标注病例数。
• 开发一种改进的Dice损失函数，以在低数据环境下提升性能，且无需额外的检测网络。

提出的方法

• 在小样本目标域DW-MRI扫描上微调一个预训练的U-Net模型，利用来自更大源队列的迁移学习。
• 应用一种改进的Dice损失函数，以降低对类别不平衡的敏感性，并在低数据设置下提升优化性能。
• 采用带有跳跃连接的U-Net架构，以保留空间分辨率并捕捉多尺度特征，实现精确分割。
• 在目标域上端到端训练模型，使用ImageNet预训练或源队列训练的编码器权重作为初始化。
• 使用标准指标（包括Dice相似系数DSC）评估性能，并对不同微调数据集大小进行消融研究。
• 将迁移学习性能与仅在目标域上训练的基线模型（无迁移学习）进行对比。

实验结果

研究问题

• RQ1 从大源队列迁移学习是否能显著提升在不同磁共振成像参数下小样本目标队列的分割精度？
• RQ2 使用迁移学习时，实现临床可接受的分割性能所需的最少标注目标域病例数是多少？
• RQ3 在低数据环境下，所提出的改进Dice损失函数与标准Dice损失相比表现如何？
• RQ4 迁移学习是否消除了分割流程中对单独前列腺检测步骤的需求？
• RQ5 在目标域中，随着微调数据集大小的增加，模型性能如何变化？

主要发现

• 仅使用目标域30个微调病例，迁移学习模型在整体腺体和移行区分割上的平均Dice相似系数（DSC）均达到0.80，而无迁移学习时分别为0.65和0.51。
• 使用115个标注的目标病例，模型在整体腺体和移行区的平均DSC分别达到0.85和0.84，显著优于非迁移学习基线（DSC为0.71）。
• 改进的Dice损失函数在低数据环境下提升了分割性能，并消除了对单独前列腺检测网络的需求。
• 迁移学习实现了在不同磁共振扫描仪和成像协议下的鲁棒分割，降低了对成像参数变化的敏感性。
• 结果表明，迁移学习可在极少标注工作量下实现高精度分割，为临床标注数据提供了实用指导。
• 本研究证实，利用更大源队列的预训练特征，对DW-MRI中跨队列的前列腺分割具有高度有效性。