[论文解读] Atlas Based Segmentations via Semi-Supervised Diffeomorphic Registrations

Charles Huang, Masoud Badiei+6 more|arXiv (Cornell University)|Nov 23, 2019

Medical Image Segmentation Techniques参考文献 36被引用 4

一句话总结

该论文提出了一种半监督微分同胚配准框架，利用一个带有部分器官危及组织（OARs）真实轮廓和其余结构粗略分割的图谱，为头颈部放疗患者生成准确的完整OAR分割结果。通过级联带有变分正则化和伪标签的刚性与非刚性形变块，该方法在20例患者扫描的测试集上实现了0.789的平均Dice分数，优于最先进的基于学习的配准方法，并达到监督分割的性能水平，同时实现了所有OAR的自动化分割。

ABSTRACT

Purpose: Segmentation of organs-at-risk (OARs) is a bottleneck in current radiation oncology pipelines and is often time consuming and labor intensive. In this paper, we propose an atlas-based semi-supervised registration algorithm to generate accurate segmentations of OARs for which there are ground truth contours and rough segmentations of all other OARs in the atlas. To the best of our knowledge, this is the first study to use learning-based registration methods for the segmentation of head and neck patients and demonstrate its utility in clinical applications. Methods: Our algorithm cascades rigid and deformable deformation blocks, and takes on an atlas image (M), set of atlas-space segmentations (S_A), and a patient image (F) as inputs, while outputting patient-space segmentations of all OARs defined on the atlas. We train our model on 475 CT images taken from public archives and Stanford RadOnc Clinic (SROC), validate on 5 CT images from SROC, and test our model on 20 CT images from SROC. Results: Our method outperforms current state of the art learning-based registration algorithms and achieves an overall dice score of 0.789 on our test set. Moreover, our method yields a performance comparable to manual segmentation and supervised segmentation, while solving a much more complex registration problem. Whereas supervised segmentation methods only automate the segmentation process for a select few number of OARs, we demonstrate that our methods can achieve similar performance for OARs of interest, while also providing segmentations for every other OAR on the provided atlas. Conclusions: Our proposed algorithm has significant clinical applications and could help reduce the bottleneck for segmentation of head and neck OARs. Further, our results demonstrate that semi-supervised diffeomorphic registration can be accurately applied to both registration and segmentation problems.

研究动机与目标

• 解决放疗中因头颈部CT扫描中器官危及组织（OARs）手动分割耗时而造成的临床瓶颈。
• 克服监督深度学习模型的局限性，这些模型需要完整且由专家标注的OAR数据集，而由于人工工作量大，此类数据集往往不可用。
• 开发一种半监督配准框架，利用单个图谱，其中部分OAR具有真实轮廓，其余结构具有粗略分割，以生成所有结构的完整OAR分割。
• 通过结合具有微分同胚约束的可变形图像配准，实现在所有OAR上稳健的自动化分割，即使在训练中未明确标注的结构也能实现。
• 通过实现与人工和监督分割相当的性能，证明其临床实用性，同时解决了比以往基于学习的方法更复杂的配准问题。

提出的方法

• 该方法级联刚性与非刚性形变块，逐步将患者CT图像与图谱图像对齐，确保实现微分同胚（平滑、可逆）变换。
• 采用变分公式，引入正则化项和速度场的高斯平滑，以防止过拟合并保持解剖学合理性。
• 网络在定位网络中采用密集卷积块，以提升空间特征学习能力和形变精度。
• 在训练中应用半监督伪标签：利用图谱中未标注的OAR生成伪分割，通过迭代配准进行优化。
• 该框架的输入为：患者CT（F）、图谱CT（M）和图谱空间的分割结果（S_A），输出为所有OAR在患者空间的分割结果。
• 通过使用缩放与平方方法对静止速度场进行积分，计算形变场，以保持微分同胚性。

实验结果

研究问题

• RQ1 基于半监督学习的配准框架是否能仅使用部分真实轮廓，在头颈部放疗中实现高精度的OAR分割？
• RQ2 与单步或基线学习方法相比，级联多个形变块并结合变分正则化是否能提升配准与分割性能？
• RQ3 在存在牙科植入物等图像伪影的情况下，该方法的性能如何？这类伪影通常会降低分割精度。
• RQ4 单个图谱若仅提供有限的真实轮廓，其余OAR具有粗略分割，其生成所有结构完整且准确的患者级分割的能力如何？
• RQ5 该方法是否能与监督深度学习分割模型的性能相匹配或超越，同时避免对完整专家标注数据集的需求？

主要发现

• 所提方法在20例头颈部患者CT扫描的测试集上实现了0.789的平均Dice分数，显著优于现有基于学习的配准算法。
• 该方法对牙科植入物等图像伪影表现出鲁棒性，即使在金属伪影遮挡区域也能生成合理的OAR轮廓。
• 尽管模型仅在部分真实轮廓数据上进行训练，其性能仍与人工和监督深度学习分割方法相当。
• 伪标签和变分正则化的结合有效减少了过拟合，尤其在级联多个形变块时效果更明显。
• 该方法优于传统多图谱自动分割（multi-ABAS）算法，并达到最先进的监督分割性能水平。
• 通过结合半监督学习与微分同胚配准，该框架能够实现所有图谱定义结构的完整OAR分割，即使在训练中未提供明确真实轮廓的结构也能实现。