[论文解读] Automatic 3D Cardiovascular MR Segmentation with Densely-Connected Volumetric ConvNets

Lequan Yu, Jie‐Zhi Cheng+5 more|arXiv (Cornell University)|Aug 2, 2017

Advanced Neural Network Applications参考文献 18被引用 50

一句话总结

引入 DenseVoxNet，一种用于在三维心脏 MRI 图像中自动分割心肌和血 Pool 的密集连接三维全卷积网络，在参数较少的情况下实现了最前沿的 Dice 分数。

ABSTRACT

Automatic and accurate whole-heart and great vessel segmentation from 3D cardiac magnetic resonance (MR) images plays an important role in the computer-assisted diagnosis and treatment of cardiovascular disease. However, this task is very challenging due to ambiguous cardiac borders and large anatomical variations among different subjects. In this paper, we propose a novel densely-connected volumetric convolutional neural network, referred as DenseVoxNet, to automatically segment the cardiac and vascular structures from 3D cardiac MR images. The DenseVoxNet adopts the 3D fully convolutional architecture for effective volume-to-volume prediction. From the learning perspective, our DenseVoxNet has three compelling advantages. First, it preserves the maximum information flow between layers by a densely-connected mechanism and hence eases the network training. Second, it avoids learning redundant feature maps by encouraging feature reuse and hence requires fewer parameters to achieve high performance, which is essential for medical applications with limited training data. Third, we add auxiliary side paths to strengthen the gradient propagation and stabilize the learning process. We demonstrate the effectiveness of DenseVoxNet by comparing it with the state-of-the-art approaches from HVSMR 2016 challenge in conjunction with MICCAI, and our network achieves the best dice coefficient. We also show that our network can achieve better performance than other 3D ConvNets but with fewer parameters.

研究动机与目标

• 解决在有限训练数据下对三维心脏 MR 图像进行全心和大血管分割的挑战。
• 提出一个密集连接的体积 CNN，以改善信息流并减少参数数量。
• 通过辅助侧路径和深度监督来提升训练稳定性和梯度传播。
• 在 HVSMR 2016 数据集上展示在心肌和血 pool 分割方面优于现有 3D ConvNets 的优势。

提出的方法

• 提出 DenseVoxNet，一种具有密集连接的三维全卷积网络，以实现特征复用并降低参数数量。
• 实现两个 DenseBlock，每个包含 12 层变换，增长率为 12。
• 在下采样路径中使用 3×3×3 卷积、批量归一化、ReLU 和 dropout（率 0.2）。
• 在 DenseBlocks 之间引入过渡块，并通过两阶段上采样路径（反卷积）生成逐体素分割。
• 在过渡层到最终输出之间添加一个长程跳步连接，以促进深度监督和梯度流动。
• 由于内存限制，在 64×64×64 的子体积上进行训练，对 overlapped 子体积预测进行主要投票以得到最终分割。

实验结果

研究问题

• RQ1 密集连接的三维 CNN 是否可以在有限训练数据下改善对心肌和血 pool 的自动分割？
• RQ2 DenseVoxNet 是否在参数更少的情况下实现比现有 3D ConvNets（如 3D U-Net、VoxResNet）更好的分割性能？
• RQ3 辅助侧路径和深度监督是否进一步提升分割精度和训练稳定性？

主要发现

方法	心肌 Dice	心肌 ADB (mm)	心肌 Hausdorff (mm)	血池 Dice	血池 ADB (mm)	血池 Hausdorff (mm)
Mukhopadhyay et al.	0.495 ± 0.126	2.596 ± 1.358	12.796 ± 4.435	0.794 ± 0.053	2.550 ± 0.996	14.634 ± 8.200
Tziritas et al.	0.612 ± 0.153	2.041 ± 1.022	13.199 ± 6.025	0.867 ± 0.047	2.157 ± 0.503	19.723 ± 4.078
Shahzad et al.	0.747 ± 0.075	1.099 ± 0.204	5.091 ± 1.658	0.885 ± 0.028	1.553 ± 0.376	9.408 ± 3.059
Wolterink et al.	0.802 ± 0.060	0.957 ± 0.302	6.126 ± 3.565	0.926 ± 0.018	0.885 ± 0.223	7.069 ± 2.857
Yu et al.	0.786 ± 0.064	0.997 ± 0.353	6.419 ± 2.574	0.931 ± 0.016	0.868 ± 0.218	7.013 ± 3.269
DenseVoxNet (Ours)	0.821 ± 0.041	0.964 ± 0.292	7.294 ± 3.340	0.931 ± 0.011	0.938 ± 0.224	9.533 ± 4.194

• DenseVoxNet 在 HVSMR 2016 数据集上，在心肌分割（0.821 ± 0.041）和血 pool 分割（0.931 ± 0.011）上的 Dice 分数，超越所有竞争方法。
• DenseVoxNet 约使用 1.8M 参数，显著少于 3D U-Net（19.0M）和 VoxResNet（4.0M）。
• 在没有辅助路径的 DenseVoxNet-A 的情况下，性能不及完整的 DenseVoxNet，体现了辅助深度监督的好处。
• 相较于其他卷积神经网络方法，DenseVoxNet 在保持心肌 Dice 更高的同时，血 pool Dice 也具竞争力甚至更好，且参数更少。
• 该网络通过密集连接和特征复用实现了信息流的改进并降低了过拟合风险。