[论文解读] Automatic airway segmentation from Computed Tomography using robust and efficient 3-D convolutional neural networks

Antonio Garcia-Uceda, Raghavendra Selvan+3 more|arXiv (Cornell University)|Mar 30, 2021

Lung Cancer Diagnosis and Treatment参考文献 48被引用 5

一句话总结

该论文提出了一种稳健、高效的基于3D U-Net的方法，用于胸腔CT扫描中气道的全自动分割，通过单次前向传播处理完整肺部的3D图像块，采用轻量化、低内存的网络结构。该方法在EXACT’09数据集上实现了最先进水平的敏感度，并在具有不同气道病理特征的多样化数据集上表现出良好的泛化能力。

ABSTRACT

This paper presents a fully automatic and end-to-end optimised airway segmentation method for thoracic computed tomography, based on the U-Net architecture. We use a simple and low-memory 3D U-Net as backbone, which allows the method to process large 3D image patches, often comprising full lungs, in a single pass through the network. This makes the method simple, robust and efficient. We validated the proposed method on three datasets with very different characteristics and various airway abnormalities: i) a dataset of pediatric patients including subjects with cystic fibrosis, ii) a subset of the Danish Lung Cancer Screening Trial, including subjects with chronic obstructive pulmonary disease, and iii) the EXACT'09 public dataset. We compared our method with other state-of-the-art airway segmentation methods, including relevant learning-based methods in the literature evaluated on the EXACT'09 data. We show that our method can extract highly complete airway trees with few false positive errors, on scans from both healthy and diseased subjects, and also that the method generalizes well across different datasets. On the EXACT'09 test set, our method achieved the second highest sensitivity score among all methods that reported good specificity.

研究动机与目标

• 开发一种完全自动化的端到端优化方法，用于胸腔CT中的气道分割，确保在临床部署中兼具高效性和鲁棒性。
• 克服先前基于区域生长和学习的方法存在的局限性，这些方法常因外围气道检测不全和假阳性率过高而受限。
• 提升在具有不同气道异常（包括囊性纤维化、COPD和支气管扩张）的数据集上的泛化能力。
• 通过单次前向传播处理大尺寸3D图像块，降低计算和内存开销，减少因图像块拼接导致的边缘伪影。
• 在不依赖复杂后处理或连通性约束的前提下，实现高完整性与高精度的分割。

提出的方法

• 采用简单、低内存的3D U-Net作为主干网络，实现在覆盖整个肺部的大尺寸3D图像块上单次前向传播的推理。
• 直接处理完整肺部的3D图像块，无需分块或重叠，从而减少由图像块边界效应引起的边缘伪影。
• 采用标准的U-Net结构，包含编码器-解码器架构和跳跃连接，以实现精确的定位与特征融合。
• 通过在标注的气道分割结果上进行端到端的监督学习进行训练，不依赖手工设计的图像特征。
• 应用数据增强和归一化技术，以提升在不同扫描特性与病理类型下的鲁棒性。
• 通过依赖U-Net固有的分割能力，避免使用复杂的后处理来保证连通性，尽管可能存在部分外围分支与主干分离的情况。

实验结果

研究问题

• RQ1 轻量化的3D U-Net是否能在不牺牲效率或内存使用的情况下，实现对完整肺部CT图像块的高精度与高完整性分割？
• RQ2 与最先进方法相比，该方法在囊性纤维化和COPD等严重气道异常的数据库上的表现如何？
• RQ3 通过单次前向传播处理大尺寸3D图像块，是否能减少拼接图像块带来的边缘伪影，并提升分割的连续性，相较于分块推理？
• RQ4 该方法在具有不同扫描协议、图像质量与疾病表型的数据集上是否具有良好的泛化能力？
• RQ5 在存在小尺寸外围气道和低对比度区域的情况下，该方法是否能实现高敏感度的同时保持良好的特异性？

主要发现

• 该方法在EXACT’09测试集上实现了仅次于最先进方法的敏感度，且报告了良好的特异性，表明其在具有挑战性的气道分割基准上表现优异。
• 在所有三个数据集上均生成了高度完整的气道树，且假阳性错误极少，包括来自囊性纤维化患儿和COPD成人患者的扫描。
• 该方法在具有不同特性的数据集上表现出良好的泛化能力，包括扫描分辨率、重建核函数和疾病严重程度的差异。
• 通过单次前向传播处理完整肺部图像块，减少了因图像块拼接导致的边缘伪影，相比分块推理提升了分割的连续性。
• 在CF-CT和DLCST数据集上，该方法优于先前的最先进方法，表明其具备更强的鲁棒性和更高的完整性。
• 尽管未强制保证连通性，该方法仍实现了高质量的分割，但部分外围气道与主干树分离，可能影响下游生物标志物的提取。