[论文解读] Autoencoders for Multi-Label Prostate MR Segmentation

Ard de Gelder, Henkjan Huisman|arXiv (Cornell University)|Jun 9, 2018

Medical Image Segmentation Techniques参考文献 2被引用 7

一句话总结

本文提出将预训练的3D卷积自编码器作为全局正则化损失，集成到3D-UNet中用于多标签前列腺MRI分割，通过强制执行解剖学合理性来提高分割精度。该方法使外周区（PZ）的DICE分数提高了0.07（从0.60提升至0.67），表明基于自编码器的全局先验可有效提升性能，尤其在解剖结构复杂的区域表现更优。

ABSTRACT

Organ image segmentation can be improved by implementing prior knowledge about the anatomy. One way of doing this is by training an autoencoder to learn a lowdimensional representation of the segmentation. In this paper, this is applied in multi-label prostate MR segmentation, with some positive results.

研究动机与目标

• 通过将解剖学先验知识融入深度学习模型，提升多标签前列腺MRI分割的精度。
• 探究预训练自编码器是否可作为全局正则化损失，以提升3D-UNet在前列腺分区分割中的性能。
• 解决多参数MRI中移行区（TZ）与外周区（PZ）之间边界细微的挑战。
• 评估基于自编码器的全局监督对3D医学图像中小而类别不平衡结构分割的影响。

提出的方法

• 以3D-UNet架构作为基础分割网络，使用2D卷积替代部分3D卷积，以适应各向异性的MRI分辨率。
• 在人工分割结果上独立训练一个全卷积自编码器，将36×36×18的分割图压缩为9×9×5的潜在编码。
• 在3D-UNet训练过程中，利用自编码器的潜在表示计算全局损失，其权重因子相对于像素级损失为0.2。
• 像素级损失采用加权分类交叉熵，类别权重分别为1（背景）、2（TZ）和6（PZ），以应对类别不平衡问题。
• 在将自编码器集成到3D-UNet训练流程前，使用二元交叉熵损失和Adam优化器训练自编码器100个周期。
• 3D-UNet以0.0001的学习率训练300个周期，采用L2核正则化和联合损失目标。

实验结果

研究问题

• RQ1 预训练的自编码器是否能提升3D-UNet在多标签前列腺MRI分割中的泛化能力和精度？
• RQ2 通过自编码器重建损失引入全局解剖学先验，是否能改善因边界细微而尤为具挑战性的外周区（PZ）的分割效果？
• RQ3 与标准像素级监督相比，基于自编码器的全局损失在DICE分数提升方面的贡献如何？
• RQ4 自编码器带来的性能增益是否依赖于图像分辨率和尺度，特别是考虑到输入尺寸已显著缩小？

主要发现

• 采用基于自编码器的全局损失训练的3D-UNet在移行区（TZ）的DICE分数达到0.85，与基线3D-UNet持平。
• 在外周区（PZ）中，DICE分数从基线的0.60提升至0.67，显示出统计上显著的增益。
• 自编码器在人工标注上对TZ的重建平均DICE为0.95，对PZ的DICE为0.85，表明其在手动分割上的重建能力很强。
• 整体改进幅度较小，表明当输入分辨率已大幅下采样时，自编码器的增益有限。
• 作者建议，自编码器在更大输入图像上可能产生更大影响，因为当前的分辨率降低可能削弱其效果。
• 作者提出，训练过程中逐步衰减全局损失的权重可能进一步提升性能，因为全局信号在训练初期最为关键。