[论文解读] Automatic 3D liver location and segmentation via convolutional neural networks and graph cut

Lu Fang, Fa Wu+3 more|arXiv (Cornell University)|May 10, 2016

Medical Image Segmentation Techniques参考文献 38被引用 9

一句话总结

本文提出了一种完全自动化的3D肝脏分割方法，采用3D卷积神经网络（CNN）进行初始肝脏检测和概率分割，随后利用学习到的概率图进行图割优化。该方法在公开数据集上实现了高精度，平均VOE为5.9%，与人工分割的相关系数为0.968，展示了在无需用户交互的情况下进行肝脏体积估计的强临床适用性。

ABSTRACT

Purpose Segmentation of the liver from abdominal computed tomography (CT) image is an essential step in some computer assisted clinical interventions, such as surgery planning for living donor liver transplant (LDLT), radiotherapy and volume measurement. In this work, we develop a deep learning algorithm with graph cut refinement to automatically segment liver in CT scans. Methods The proposed method consists of two main steps: (i) simultaneously liver detection and probabilistic segmentation using 3D convolutional neural networks (CNNs); (ii) accuracy refinement of initial segmentation with graph cut and the previously learned probability map. Results The proposed approach was validated on forty CT volumes taken from two public databases MICCAI-Sliver07 and 3Dircadb. For the MICCAI-Sliver07 test set, the calculated mean ratios of volumetric overlap error (VOE), relative volume difference (RVD), average symmetric surface distance (ASD), root mean square symmetric surface distance (RMSD) and maximum symmetric surface distance (MSD) are 5.9%, 2.7%, 0.91%, 1.88 mm, and 18.94 mm, respectively. In the case of 20 3Dircadb data, the calculated mean ratios of VOE, RVD, ASD, RMSD and MSD are 9.36%, 0.97%, 1.89%, 4.15 mm and 33.14 mm, respectively. Conclusion The proposed method is fully automatic without any user interaction. Quantitative results reveal that the proposed approach is efficient and accurate for hepatic volume estimation in a clinical setup. The high correlation between the automatic and manual references shows that the proposed method can be good enough to replace the time-consuming and non-reproducible manual segmentation method.

研究动机与目标

• 开发一种完全自动化的3D肝脏分割方法，以在临床环境中消除用户交互。
• 通过结合深度学习与图割优化，提高分割精度。
• 实现可靠的肝脏体积估计，适用于手术规划和放疗等应用。
• 解决肝脏分割中的挑战，包括组织对比度低和解剖结构变异。
• 在公开数据集上验证该方法，并与最先进方法进行比较。

提出的方法

• 训练3D CNN以同时检测肝脏并生成初始分割的概率图。
• 将3D CNN生成的概率图用作图割能量函数中的先验知识。
• 通过最小化结合区域项与边界项的能量函数，利用图割优化对初始分割进行细化。
• 该方法端到端实现，无需手动初始化或用户输入。
• 通过3D卷积和基于图的优化，利用空间上下文与形状一致性。
• 采用标准指标在MICCAI-Sliver07和3Dircadb数据集上对框架进行评估。

实验结果

研究问题

• RQ1 基于3D CNN的方法是否能在无用户交互的情况下，实现腹部CT中准确且鲁棒的肝脏分割？
• RQ2 将学习到的概率图整合到图割中，如何提升分割精度？
• RQ3 与现有最先进自动肝脏分割技术相比，该方法的性能如何？
• RQ4 在解剖结构变异和低对比度成像条件下，该方法的精度保持程度如何？
• RQ5 在体积和表面距离方面，该自动分割与人工勾画的相关性如何？

主要发现

• 在MICCAI-Sliver07测试集中，该方法的平均体积重叠误差（VOE）为5.9%，相对体积差异（RVD）为2.7%，平均对称表面距离（ASD）为0.91%。
• 在20例3Dircadb病例中，平均VOE为9.36%，RVD为0.97%，ASD为1.89%。
• 在MICCAI-Sliver07上，均方根对称表面距离（RMSD）为1.88 mm；在3Dircadb上为4.15 mm。
• 在MICCAI-Sliver07上，最大对称表面距离（MSD）为18.94 mm；在3Dircadb上为33.14 mm。
• 自动分割与人工分割的肝脏体积相关系数高达0.968，平均差异为57.2 mL，95%一致性界限为-266.4 mL至380.7 mL。
• 在VOE、RVD和ASD方面，该方法优于多种最先进方法，仅在MSD方面略逊于Li等人提出的可变形图割方法。