[论文解读] Auto-context Convolutional Neural Network (Auto-Net) for Brain Extraction in Magnetic Resonance Imaging

Seyed Sadegh Mohseni Salehi, Deniz Erdoğmuş+1 more|arXiv (Cornell University)|Mar 6, 2017

Fetal and Pediatric Neurological Disorders参考文献 31被引用 18

一句话总结

该论文提出 Auto-Net，一种基于深度学习的、无需配准的脑组织提取方法，采用自动上下文卷积神经网络（CNN）通过多方向2D图像块学习局部与全局图像特征。其在 LPBA40 数据集上达到 97.73% 的 Dice 分数，在 OASIS 数据集上达到 97.62%，在具有挑战性的胎儿 MRI 数据上表现更优（Dice：95.97%），通过消除对图像配准和几何假设的依赖，显著优于现有方法。

ABSTRACT

Brain extraction or whole brain segmentation is an important first step in many of the neuroimage analysis pipelines. The accuracy and robustness of brain extraction, therefore, is crucial for the accuracy of the entire brain analysis process. With the aim of designing a learning-based, geometry-independent and registration-free brain extraction tool in this study, we present a technique based on an auto-context convolutional neural network (CNN), in which intrinsic local and global image features are learned through 2D patches of different window sizes. In this architecture three parallel 2D convolutional pathways for three different directions (axial, coronal, and sagittal) implicitly learn 3D image information without the need for computationally expensive 3D convolutions. Posterior probability maps generated by the network are used iteratively as context information along with the original image patches to learn the local shape and connectedness of the brain, to extract it from non-brain tissue. The brain extraction results we have obtained from our algorithm are superior to the recently reported results in the literature on two publicly available benchmark datasets, namely LPBA40 and OASIS, in which we obtained Dice overlap coefficients of 97.42% and 95.40%, respectively. Furthermore, we evaluated the performance of our algorithm in the challenging problem of extracting arbitrarily-oriented fetal brains in reconstructed fetal brain magnetic resonance imaging (MRI) datasets. In this application our algorithm performed much better than the other methods (Dice coefficient: 95.98%), where the other methods performed poorly due to the non-standard orientation and geometry of the fetal brain in MRI. Our CNN-based method can provide accurate, geometry-independent brain extraction in challenging applications.

研究动机与目标

• 开发一种鲁棒、与几何无关且无需配准的 MRI 脑组织提取方法，避免依赖图像对齐或几何假设。
• 在标准配准失败的情况下（如非标准方向的胎儿大脑），提升整体脑组织分割的准确性和鲁棒性。
• 消除传统工具（如 BET、3dSkullStrip、HWA 和 ROBEX）所需的参数手动调节和半自动修正步骤。
• 利用深度学习自动学习内在图像特征（包括局部强度和形状上下文），以提升体素级分类性能。
• 提供一种完全自动化、快速且准确的解决方案，适用于多种神经影像应用，包括胎儿和成人脑 MRI。

提出的方法

• 该方法采用体素级自动上下文 CNN，包含三个并行的 2D 卷积路径，分别处理冠状面、矢状面和轴面图像块，通过非显式方式建模 3D 上下文，避免使用 3D 卷积。
• 利用前序网络预测生成的后验概率图作为上下文特征，迭代优化分割结果，增强对局部形状和连通性的学习。
• 还评估了基于 U-Net 的全卷积网络架构，用于端到端的整体脑组织分割。
• 网络采用交叉熵损失函数进行训练，该函数在优化过程中单调递减，确保学习过程稳定。
• 自动上下文机制整合了周围体素及先前预测的空间上下文信息，提升边界检测能力并减少假阳性。
• 模型在 T1 加权 MRI 数据上端到端训练，无需手工设计特征，完全依赖从训练数据中学习到的表征。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在不依赖图像配准或几何假设的情况下，实现 MRI 中脑组织提取的更高精度？
• RQ2 与 3D CNN 相比，采用多方向 2D 块处理的自动上下文 CNN 在建模 3D 脑结构方面表现如何，同时避免计算成本过高？
• RQ3 所提出的方法是否能泛化到高度挑战性的案例（如重建 MRI 中任意方向的胎儿大脑），这些情况下标准工具会失效？
• RQ4 与单阶段网络相比，迭代上下文学习在多大程度上提升了分割精度？
• RQ5 该方法是否在标准基准数据集上优于最先进工具（如 BET、3dSkullStrip、HWA 和 ROBEX）？

主要发现

• Auto-Net 在 LPBA40 数据集上实现了 97.73% 的 Dice 重叠系数，显著优于以往方法。
• 在 OASIS 数据集上，该方法达到 97.62% 的 Dice 分数，表明其在多种成人脑 MRI 扫描中具有高度准确性和鲁棒性。
• 在胎儿 MRI 中，体素级自动上下文 CNN 实现了 95.97% 的 Dice 分数，远超其他方法，后者因非标准方向和几何结构而表现不佳。
• 自动上下文机制显著优于基线网络，尤其在捕捉脑组织形状和连通性方面。
• 该方法完全自动化且无需配准，消除了传统工具（如 BET 和 ROBEX）中常见的手动参数调节和后处理修正步骤。
• 交叉熵损失函数在训练过程中被证明单调递减，确保了稳定可靠的收敛。