[论文解读] Abdominal Aortic Aneurysm Segmentation with a Small Number of Training Subjects

Jian-Qing Zheng, Xiao-Yun Zhou+3 more|arXiv (Cornell University)|Apr 9, 2018

Aortic aneurysm repair treatments参考文献 3被引用 8

一句话总结

本论文提出一种基于U-Net的方法，仅使用两个训练病例对腹主动脉瘤（AAA）进行分割，通过灰度值变化与平移（G.&T.）数据增强技术缓解过拟合问题。该方法在Dice相似系数（DSC）上达到0.8以上，实现了对开窗型腔内主动脉修复术（FEVAR）中支架移植物定制所需的近端/远端开窗区及主动脉分支的精确3D重建。

ABSTRACT

Pre-operative Abdominal Aortic Aneurysm (AAA) 3D shape is critical for customized stent-graft design in Fenestrated Endovascular Aortic Repair (FEVAR). Traditional segmentation approaches implement expert-designed feature extractors while recent deep neural networks extract features automatically with multiple non-linear modules. Usually, a large training dataset is essential for applying deep learning on AAA segmentation. In this paper, the AAA was segmented using U-net with a small number (two) of training subjects. Firstly, Computed Tomography Angiography (CTA) slices were augmented with gray value variation and translation to avoid the overfitting caused by the small number of training subjects. Then, U-net was trained to segment the AAA. Dice Similarity Coefficients (DSCs) over 0.8 were achieved on the testing subjects. The PLZ, DLZ and aortic branches are all reconstructed reasonably, which will facilitate stent graft customization and help shape instantiation for intra-operative surgery navigation in FEVAR.

研究动机与目标

• 解决AAA分割中训练数据有限的问题，因深度学习通常需要大规模数据集。
• 开发一种稳健的分割方法，用于术前AAA三维形态重建，以支持FEVAR中个性化支架移植物的设计。
• 在仅使用两名患者病例且存在对比度与动脉瘤位置个体差异的情况下，降低深度学习模型的过拟合风险。
• 评估一种新型数据增强策略——灰度值变化与平移（G.&T.）——相较于标准旋转与镜像（R.&M.）的性能差异。
• 实现关键解剖结构（PLZ、DLZ、主动脉分支）的精确3D重建，以支持FEVAR手术规划与导航。

提出的方法

• 使用输入尺寸为512×512、初始特征数为64的34层U-Net，对CTA图像进行逐切片分割。
• 通过灰度值变化与平移（G.&T.）进行数据增强，模拟不同受试者之间的对比度与位置差异，使训练样本增加45至72倍。
• 将旋转与镜像（R.&M.）作为对比增强方法，用于评估性能差异。
• 使用随机梯度下降（SGD）最小化交叉熵损失，动量为0.9，初始初始学习率为0.1，当收敛停滞时衰减为0.1。
• 后处理采用MATLAB的regionprops与bwareopen提取最大连通区域，随后使用marching cubes算法进行3D重建。
• 采用交叉验证策略，每次测试一个受试者，其余两个用于训练，为保持一致性，排除非增强扫描的受试者1。

实验结果

研究问题

• RQ1 在仅使用两个训练病例的情况下，U-Net是否可通过针对性数据增强实现高精度AAA分割？
• RQ2 在数据有限条件下，G.&T.数据增强与传统R.&M.增强在分割性能上的表现如何比较？
• RQ3 将U-Net深度从28层增至34层是否能提升小样本数据集上的分割精度？
• RQ4 该方法在不同患者数据集上（包括非增强扫描）是否具有鲁棒性？
• RQ5 该方法能否可靠地重建关键解剖特征（PLZ、DLZ、主动脉分支），以支持FEVAR规划中的临床应用？

主要发现

• G.&T.数据增强策略显著优于R.&M.增强，平均DSC分别为0.802±0.157与0.500±0.304。
• 34层U-Net的分割精度高于28层版本，DSC从0.757±0.151提升至0.802±0.157。
• 该方法在不同数据集上表现出鲁棒性，当在受试者1和3上训练时，DSC达到0.824±0.131。
• AAA的3D重建（包括近端与远端开窗区及主动脉分支）解剖结构合理，经点云到网格距离分析验证。
• 分割结果表现出高度一致性，多个测试受试者的DSC值平均超过0.8。
• 该方法可实现AAA及其关键解剖标志点的精确3D建模，支持未来在支架移植物定制与FEVAR术中导航中的应用。