[论文解读] Adversarially Learning a Local Anatomical Prior: Vertebrae Labelling with 2D reformations.

Anjany Sekuboyina, Markus Rempfler+3 more|arXiv (Cornell University)|Feb 6, 2019

Medical Imaging and Analysis被引用 5

一句话总结

本文提出 Btrfly net，一种端到端、独立的二维卷积神经网络，通过使用矢状面和冠状面重建图像来实现 CT 扫描中椎骨的定位与标注。通过采用两种对抗性训练策略以编码解剖先验知识，该方法在公开数据集上实现了超过 88% 的识别准确率，并在高变异性内部数据集上表现出鲁棒性，且无需后处理。

ABSTRACT

Robust localisation and identification of vertebrae, jointly termed vertebrae labelling, in computed tomography (CT) images is an essential component of automated spine analysis. Current approaches for this task mostly work with 3D scans and are comprised of a sequence of multiple networks. Contrarily, our approach relies only on 2D reformations, enabling us to design an end-to-end trainable, standalone network. Our contribution includes: (1) Inspired by the workflow of human experts, a novel butterfly-shaped network architecture (termed Btrfly net) that efficiently combines information across sufficiently-informative sagittal and coronal reformations. (2) Two adversarial training regimes that encode an anatomical prior of the spine's shape into the Btrfly net, each enforcing the prior in a distinct manner. We evaluate our approach on a public benchmarking dataset of 302 CT scans achieving a performance comparable to state-of-art methods (identification rate of $>$88%) without any post-processing stages. Addressing its translation to clinical settings, an in-house dataset of 65 CT scans with a higher data variability is introduced, where we discuss refinements that render our approach robust to such scenarios.

研究动机与目标

• 开发一种鲁棒的、端到端的椎骨标注方法，用于 CT 扫描，避免使用复杂的多网络流水线。
• 解决由于解剖变异性和图像噪声导致的椎骨精确定位与识别的挑战。
• 通过对抗性训练将脊柱的现实解剖先验编码到模型中。
• 在多样化数据集上评估性能，包括一个公开基准数据集和一个高变异性内部数据集。
• 通过展示在真实世界环境中对数据变异性的鲁棒性，推动临床转化。

提出的方法

• Btrfly net 采用蝴蝶形架构，融合矢状面和冠状面二维重建图像的特征，以增强对解剖上下文的理解。
• 通过两种不同的对抗性训练策略对模型进行训练，通过惩罚不现实的脊柱形态来强制实现解剖合理性。
• 对抗性训练应用于特征空间，以促使网络学习到真实的脊柱形态先验，而无需显式分割监督。
• 网络在二维重建图像上进行端到端训练，避免了三维体素处理或多阶段推理的需求。
• 该架构设计为独立且可训练的，无需后处理步骤。
• 该方法借鉴了人类专家的工作流程，通过强调多平面重建融合来提升空间推理能力。

实验结果

研究问题

• RQ1 基于二维的端到端网络是否能在无需后处理的情况下，超越基于三维的多网络方法在椎骨标注任务中的表现？
• RQ2 对抗性训练在多大程度上能够将解剖先验编码到脊柱影像分割网络中？
• RQ3 该模型能否泛化到训练过程中未见过的高变异性临床数据？
• RQ4 单独使用矢状面或冠状面重建图像与联合使用相比，对椎骨定位的影响如何？
• RQ5 与最先进的基于三维的方法相比，该方法在准确率和鲁棒性方面表现如何？

主要发现

• 所提出的方法在包含 302 例 CT 扫描的公开基准数据集上实现了超过 88% 的识别率，达到最先进水平。
• 该结果无需任何后处理阶段，证明了强大的端到端泛化能力。
• 对抗性训练策略成功编码了解剖先验，提升了对形态变化和噪声的鲁棒性。
• 该方法在包含 65 例 CT 扫描的内部数据集上表现出良好的泛化能力，且数据变异性更高，表明其具备临床可行性。
• 通过 Btrfly net 架构融合矢状面和冠状面重建图像，显著提升了定位准确率，优于单平面基线方法。
• 独立的、基于二维的设计降低了计算复杂度，同时保持了高性能，使得在临床环境中的部署更加容易。