[论文解读] Automatic Brain Tumor Segmentation with Scale Attention Network

Yading Yuan|arXiv (Cornell University)|Nov 6, 2020

Advanced Neural Network Applications参考文献 20被引用 6

一句话总结

该论文提出了一种用于多模态3D MRI中自动脑肿瘤分割的尺度注意力网络（SA-Net），用全尺度跳跃连接替代标准U-Net的跳跃连接，并引入注意力机制以自适应地加权跨尺度特征。该方法在BraTS 2020挑战赛中取得第三名，测试集上整体肿瘤的平均DSC为0.8828，肿瘤核心为0.8433，增强肿瘤为0.8177。

ABSTRACT

Automatic segmentation of brain tumors is an essential but challenging step for extracting quantitative imaging biomarkers for accurate tumor detection, diagnosis, prognosis, treatment planning and assessment. Multimodal Brain Tumor Segmentation Challenge 2020 (BraTS 2020) provides a common platform for comparing different automatic algorithms on multi-parametric Magnetic Resonance Imaging (mpMRI) in tasks of 1) Brain tumor segmentation MRI scans; 2) Prediction of patient overall survival (OS) from pre-operative MRI scans; 3) Distinction of true tumor recurrence from treatment related effects and 4) Evaluation of uncertainty measures in segmentation. We participate the image segmentation challenge by developing a fully automatic segmentation network based on encoder-decoder architecture. In order to better integrate information across different scales, we propose a dynamic scale attention mechanism that incorporates low-level details with high-level semantics from feature maps at different scales. Our framework was trained using the 369 challenge training cases provided by BraTS 2020, and achieved an average Dice Similarity Coefficient (DSC) of 0.8828, 0.8433 and 0.8177, as well as 95% Hausdorff distance (in millimeter) of 5.2176, 17.9697 and 13.4298 on 166 testing cases for whole tumor, tumor core and enhanced tumor, respectively, which ranked itself as the 3rd place among 693 registrations in the BraTS 2020 challenge.

研究动机与目标

• 为解决多模态3D MRI扫描中脑肿瘤精准自动分割的挑战，该任务对诊断、预后评估和治疗规划至关重要。
• 克服标准U-Net架构的局限性，即仅在相同尺度上融合特征，从而未能充分利用多尺度信息。
• 通过用全尺度跳跃连接替代逐尺度跳跃连接，实现跨所有尺度的低层次细节与高层次语义的特征融合，以增强特征整合。
• 通过引入注意力机制，自适应地强调重要特征尺度并抑制不相关尺度，从而提升模型的鲁棒性与性能。
• 在参数量更少且在有限GPU资源下实现高效训练的前提下，实现最先进的分割性能。

提出的方法

• 所提出的SA-Net采用编码器-解码器架构，全尺度跳跃连接将编码器中所有尺度的特征图与对应解码器层连接，实现跨尺度特征融合。
• 引入尺度注意力模块，通过在残差块内使用挤压-激励机制，学习特征通道的注意力权重，动态调节各尺度的贡献。
• 网络采用3D卷积和残差学习，并结合批量归一化，以稳定训练过程并改善梯度流动。
• 模型在369个BraTS 2020训练病例上端到端训练，损失函数结合Dice损失与交叉熵损失，并通过随机强度缩放进行数据增强。
• 推理阶段采用滑动窗口策略，使用8个128×128×128的重叠块进行预测，重叠区域的输出取平均后，经0.5阈值处理生成最终二值掩码。
• 采用11个模型的集成方法（来自5折交叉验证和完整训练集），以提升在验证集和测试集上的泛化能力与最终性能。

实验结果

研究问题

• RQ1 与U-Net中逐尺度跳跃连接相比，整合所有尺度特征的全尺度跳跃连接是否能提升脑肿瘤分割的准确性？
• RQ2 通过自适应加权特征尺度的注意力机制是否能带来更好的性能与鲁棒性？
• RQ3 与标准U-Net相比，所提出的SA-Net是否能在更少参数量和更低计算成本下实现高性能？
• RQ4 在BraTS 2020挑战赛中，该模型对未见测试数据的泛化能力如何，特别是在DSC和Hausdorff距离方面的表现？
• RQ5 模型集成在BraTS 2020验证集和测试集上的分割性能提升程度如何？

主要发现

• 在BraTS 2020测试集中，SA-Net在整体肿瘤上的平均Dice相似系数（DSC）为0.8828，肿瘤核心为0.8433，增强肿瘤为0.8177，总排名为693个提交中的第3名。
• 11个模型的集成将整体肿瘤的95% Hausdorff距离降低至5.2176 mm，肿瘤核心为17.9697 mm，增强肿瘤为13.4298 mm，表明边界定位能力得到提升。
• 与基线U-Net（采用逐尺度跳跃连接）相比，SA-Net在训练集的5折交叉验证中，所有肿瘤区域的平均DSC提升了1.47%。
• SA-Net将可训练参数量从U-Net的1780万减少至1650万，展现出更高的参数效率。
• 注意力机制实现了对特征尺度的自适应加权，使模型能够强调更具信息量的特征，同时抑制不相关特征，从而提升泛化能力。
• 滑动窗口推理策略结合重叠块平均显著提升了边界精度，尤其在具有复杂肿瘤形态的区域表现更优。