[论文解读] Accurate Lung Segmentation via Network-Wise Training of Convolutional Networks

Sangheum Hwang, Sunggyun Park|arXiv (Cornell University)|Aug 2, 2017

COVID-19 diagnosis using AI参考文献 3被引用 3

一句话总结

本文提出一种采用空洞卷积和新型网络级训练策略的深度卷积神经网络，用于胸部X光片中肺部的精确分割。通过迭代地利用先前阶段的输出来优化预测，该方法减少了假阳性和假阴性结果，并生成了更平滑的边界，在JSRT数据集上实现了最先进性能，参数量更少，且结合数据增强后泛化能力得到提升。

ABSTRACT

We introduce an accurate lung segmentation model for chest radiographs based on deep convolutional neural networks. Our model is based on atrous convolutional layers to increase the field-of-view of filters efficiently. To improve segmentation performances further, we also propose a multi-stage training strategy, network-wise training, which the current stage network is fed with both input images and the outputs from pre-stage network. It is shown that this strategy has an ability to reduce falsely predicted labels and produce smooth boundaries of lung fields. We evaluate the proposed model on a common benchmark dataset, JSRT, and achieve the state-of-the-art segmentation performances with much fewer model parameters.

研究动机与目标

• 开发一种基于深度学习的高精度、参数高效的肺部分割模型，用于胸部X光片。
• 解决肺部形状和大小在X光图像中高度可变的挑战。
• 通过减少假阳性和假阴性并生成更平滑的肺部边界，提升分割精度。
• 研究多阶段训练策略——网络级训练——的有效性，其中每个阶段均使用原始图像和前一阶段的输出进行训练。
• 在分布偏移数据集（MC）上评估泛化性能，并评估对领域偏移的鲁棒性。

提出的方法

• 采用空洞卷积（空洞率 r=3）的深度-纤细残差网络架构，以扩大感受野而不增加参数量。
• 在每个卷积层后应用批量归一化，以稳定训练过程。
• 引入网络级训练：后续各阶段的网络在训练时同时使用原始图像和前一阶段的分割输出。
• 采用多尺度损失函数，结合交叉熵损失与边界损失，以提升轮廓精度。
• 通过随机调整亮度和对比度实施数据增强，以提升对像素值变化的鲁棒性。
• 使用类似U-Net的解码器结构，结合转置卷积与跳跃连接，以恢复空间分辨率。

实验结果

研究问题

• RQ1 网络级训练策略（即每一阶段均使用输入图像和前一阶段输出进行训练）是否能提升肺部分割的精度与边界平滑度？
• RQ2 在轻量化网络架构中使用空洞卷积是否能在参数更少的情况下实现具有竞争力的性能？
• RQ3 与训练数据集（JSRT）相比，该模型在分布偏移数据集（MC）上的表现如何？这反映了其对领域偏移的鲁棒性如何？
• RQ4 数据增强在多大程度上提升了模型在分布外数据上的泛化能力，并降低了分割性能的方差？
• RQ5 所提出的方法是否能在多个指标（Jaccard、Dice、ASD、ASD）上实现最先进性能，同时保持模型效率？

主要发现

• 在JSRT数据集上，该模型实现了最先进性能，当在第3阶段使用数据增强时，Jaccard相似系数（JSC）为0.961 ± 0.015，Dice系数（DC）为0.980 ± 0.008。
• 网络级训练显著减少了假阳性和假阴性结果，边界平滑度从第1阶段到第3阶段逐步提升，视觉对比结果清晰显示了这一改善。
• 性能在第3阶段趋于饱和，表明超过三阶段后收益递减，因此最终评估采用第3阶段。
• 在MC数据集上，模型表现平均降低（JSC: 0.931 ± 0.049），且方差较高（标准差0.049），表明因领域偏移导致性能不稳定。
• 在JSRT数据集上，该模型实现了平均表面距离（ASD）为0.675 ± 0.122 mm，优于先前方法。
• 由于采用深度-纤细架构，模型保持了较小的参数量，在参数更少的情况下实现了更高的精度，优于对比模型。