[论文解读] Automated Muscle Segmentation from Clinical CT using Bayesian U-Net for Personalized Musculoskeletal Modeling

Yuta Hiasa, Yoshito Otake+4 more|arXiv (Cornell University)|Jul 21, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 39被引用 5

一句话总结

该论文提出了一种结合蒙特卡洛 dropout 的贝叶斯 U-Net 方法，用于从临床 CT 扫描中自动、准确地分割单个肌肉，Dice 系数达到 0.891 ± 0.016，并证明不确定性估计可有效支持主动学习，从而在肌肉骨骼建模应用中降低人工标注成本。

ABSTRACT

We propose a method for automatic segmentation of individual muscles from a clinical CT. The method uses Bayesian convolutional neural networks with the U-Net architecture, using Monte Carlo dropout that infers an uncertainty metric in addition to the segmentation label. We evaluated the performance of the proposed method using two data sets: 20 fully annotated CTs of the hip and thigh regions and 18 partially annotated CTs that are publicly available from The Cancer Imaging Archive (TCIA) database. The experiments showed a Dice coefficient (DC) of 0.891 +/- 0.016 (mean +/- std) and an average symmetric surface distance (ASD) of 0.994 +/- 0.230 mm over 19 muscles in the set of 20 CTs. These results were statistically significant improvements compared to the state-of-the-art hierarchical multi-atlas method which resulted in 0.845 +/- 0.031 DC and 1.556 +/- 0.444 mm ASD. We evaluated validity of the uncertainty metric in the multi-class organ segmentation problem and demonstrated a correlation between the pixels with high uncertainty and the segmentation failure. One application of the uncertainty metric in active-learning is demonstrated, and the proposed query pixel selection method considerably reduced the manual annotation cost for expanding the training data set. The proposed method allows an accurate patient-specific analysis of individual muscle shapes in a clinical routine. This would open up various applications including personalization of biomechanical simulation and quantitative evaluation of muscle atrophy.

研究动机与目标

• 开发一种从临床 CT 扫描中自动分割单个肌肉的方法，以实现患者特异性的肌肉骨骼建模。
• 解决 CT 中软组织对比度低以及髋部和大腿区域肌肉解剖结构复杂带来的挑战。
• 将不确定性估计整合到深度学习分割中，以指导主动学习并减轻人工标注负担。
• 在准确性和计算效率方面优于现有最先进方法（如分层多源图像融合分割）。
• 支持生物力学模拟和肌肉萎缩或脂肪变性定量评估等临床应用。

提出的方法

• 该方法采用两阶段流程：首先由确定性 U-Net 分割皮肤表面，随后由贝叶斯 U-Net 完成单个肌肉的分割。
• 贝叶斯 U-Net 在推理阶段使用蒙特卡洛 dropout，通过多次前向传播估计预测不确定性。
• 按像素生成不确定性图，高不确定性区域表示可能存在分割错误或边界模糊。
• 主动学习框架选择不确定性高的切片进行专家标注，而低不确定性切片则用于扩充训练集。
• 采用基于相似性的聚类算法，从不确定性区域中选择具有代表性的切片，以优先进行主动学习中的标注。
• 模型在两个数据集上进行训练和评估：20 例完全标注的髋部/大腿 CT 扫描，以及 18 例部分标注的 TCIA 扫描。

实验结果

研究问题

• RQ1 结合蒙特卡洛 dropout 的贝叶斯 U-Net 是否能在临床 CT 的单个肌肉分割任务中实现高于现有最先进方法的分割精度？
• RQ2 由贝叶斯 U-Net 生成的不确定性图是否能有效识别易发生分割失败的区域？
• RQ3 基于不确定性的主动学习在多大程度上可减少训练所需的标注数量？
• RQ4 与分层多源图像融合方法相比，该方法在 Dice 系数和表面距离指标上的表现如何？
• RQ5 不确定性度量是否能有效指导临床 CT 分割中的数据选择？

主要发现

• 该方法在 20 例完全标注的 CT 扫描中对 19 个肌肉的分割取得了 0.891 ± 0.016 的 Dice 系数，以及 0.994 ± 0.230 mm 的平均对称表面距离。
• 该方法显著优于分层多源图像融合方法（Dice 系数为 0.845 ± 0.031，表面距离为 1.556 ± 0.444 mm）。
• 观察到高不确定性像素与实际分割错误之间存在强相关性，验证了不确定性图作为可靠失败指示器的有效性。
• 基于不确定性的主动学习策略通过优先选择最具信息量的切片，显著降低了人工标注成本，模拟结果已证实其有效性。
• 该方法在计算开销极小的情况下实现了高精度，相较于计算密集型的多源图像融合方法，更适合临床部署。
• 不确定性度量实现了高效的数据选择，学习曲线显示初期性能迅速提升，表明具有较高的数据效率。